「相槌」とは何か

「相槌」とは、相手が話している間に聞き手が生み出す、「うんうん」「はい」「なるほど」「それで」といった短い応答を指す言語学の用語です。1970年に社会言語学者のヴィクター・イングヴェによって初めて記述され、自然な会話において最もよく研究されている特徴の一つとされています。

相槌は会話の主導権を奪うものではなく、相手の話に注意を払い続けていることを示す合図です。人間は相槌によって、相手の話を聞き、理解していることをリアルタイムで伝えます。もし会話から相槌がなくなれば、話し手はまるで壁や機械に話しかけているように感じてしまうでしょう。

音声AIにおける相槌の重要性

従来のIVRや第一世代の音声ボットには、相槌の機能が全くありませんでした。発信者が話し、ボットは沈黙して待ち、そして応答する。この沈黙こそが「不気味の谷」を最も感じさせる要因であり、技術的に正確なAIエージェントでさえロボットのように感じられてしまう理由なのです。

相槌はこの問題を解決します。お客様が住所を伝えたり、状況を説明したり、症状を列挙したりしている最中に、適切にチューニングされたAIエージェントは、人間と同じようなタイミングで「ええ」といった相槌を打ちます。これにより、お客様は「ちゃんと聞いてもらえているだろうか」と不安になる必要がありません。安心して話し続けられるため、通話時間は短縮され、不安も軽減されます。

AIによる相槌の実装方法

タイミングモデル — 小型分類器が、イントネーションの上昇、話の続き、息継ぎといった韻律的・語彙的な手がかりから、話し手が相づちを待っている「間」を予測します。この判断基準は非常に高く設定されており、タイミングを誤った相づちは、むしろ逆効果になるためです。
音響的な手がかり — モデルは、ピッチの輪郭やエネルギーの低下といった、「まだ話は続きますが、聞いていますよ」という合図をリッスンします。これらは書き起こされた言葉ではなく、音声的な特徴です。
遅延（レイテンシー）管理 — 自然な相づちを実現するには、300ミリ秒未満の音声往復遅延が必要です。これは、電話コーデック、音声認識（STT）ストリーミング、音声合成（TTS）プリバッファなどを含む高度なインフラ技術が求められる課題であり、多くのプラットフォームでは未だ解決されていません。
音声レンダリング — 相づち自体は、完全な単語ではなく、「ええ」というような非言語的な反応や、軽い息を吸う音である必要があり、かつAIエージェントの基本の声質と一貫性がなければなりません。これはニューラルTTS（音声合成）では実現できますが、従来の連結型TTSでは困難です。

CSATへのインパクト

実際の運用環境において、他の条件が同一の音声エージェントに相づち機能を追加すると、5段階評価のCSAT（顧客満足度）スコアが0.3〜0.5ポイント向上し、平均処理時間が8〜15%短縮されることが分かっています（お客様が、AIが応答可能か確認するための間を置かなくなるためです）。さらに、通話の途中離脱率も約3分の1に減少します。

Wiserepが各通話で測定している指標に関する詳細は、通話分析のページをご覧ください。

導入検討時のチェックポイント

ベンダーには、ブラウザ上のデモではなく、実際の電話回線を使ったライブデモを依頼しましょう。電話のコーデックは特定の周波数をカットするため、PCのデモでは隠れてしまう遅延の問題が明らかになります。
デモの際には、AIに対して長めの回答（例：30秒ほどかけて住所や状況を説明する）を試してみてください。その間のAIの反応に耳を傾け、適切な相づちがあるかを確認します。沈黙が続くようであれば、その性能には注意が必要です。
相槌機能が標準搭載か、有料アドオンかをご確認ください。プラットフォームによっては、エンタープライズプラン限定の機能の場合があります。
偽陽性率（AIが不適切なタイミングで相槌を打つ頻度）についてご確認ください。優れたプラットフォームはこの数値を公開しています。

Wiserepにおける実装

Wiserepの音声スタックは、標準的な電話コーデック上で300ミリ秒未満の往復遅延を実現します。相槌を判断する分類器は、医療、保険、不動産、ホームサービスといった業界における数十万件もの実際の顧客対応通話データを用いてトレーニングされています。相槌機能はエンタープライズ向けの有償オプションではなく、すべてのプランで標準搭載されています。

このエンジンは、AI受付、カスタマーサービス、予約受付の各AIエージェントにも搭載されています。性能の違いを実際にお確かめいただくには、ライブコールが最も早い方法です。ご希望に応じて、こちらからお電話いたします。

AIを人間らしくする「相槌」。音声AIにおける役割とは？