電話口の相手が疲れているのか、言葉を探しているのか、それとも冗談を言っているのか。人は声の速さや間、息遣いから多くの情報を受け取ります。しかし一般的な音声AIでは、発話をいったん文字に変換してから応答を生成するため、こうした非言語情報が途中で失われがちです。決済サービスのSquareなどを展開するBlockは、この問題に音声そのものから取り組むモデル「Dessa」を研究部門から発表しました。



Dessaは、人間の音声だけを使って学習された音声対音声モデルです。Blockによれば、笑い、沈黙、泣き声、声の抑揚といった表現を会話の一部として扱い、人間に近いテンポで応答できます。公開された会話例では、仕事で疲れたという内容に合わせて疲労を感じさせる声を出したり、感情が込み上げて言葉に詰まるような話し方を見せたりしています。チームメンバーと音声でゲームを進める実演も紹介されました。

同社が重視しているのは、単に滑らかな音声を合成することではありません。発話内容と声の調子を切り離さず、会話の流れに応じた感情や間を生成する点がDessaの中心的な特徴です。Block共同創業者のジャック・ドーシー氏は、知能とやり取りするうえで音声が最も自然な手段だとの考えを示しています。ただし、人間らしく聞こえることと、発言内容が正確で信頼できることは別の評価軸です。企業がDessaを検討する際には、自然さだけでなく、回答の妥当性や利用者がAIだと認識できる設計も確認する必要があるでしょう。

多くの音声アシスタントでは、利用者が話し終えるのを待ち、音声認識、文章生成、音声合成という処理を順番に進めます。この方式は構成を管理しやすい反面、発話の交代に不自然な空白が生じたり、利用者の相づちとAIの応答が衝突したりします。Dessaが採用する「フルデュプレックス」は、聞く処理と話す処理を同時に行う方式です。電話と同じように双方向の音声を並行して扱うため、相手の割り込みや反応を捉えながら会話を続けられます。



Blockは、Dessaの知識が学習に用いた会話データに由来すると説明しています。一般的な音声システムでは、大規模言語モデルを接続し、質問への回答や情報検索を担当させる構成がよく使われます。Dessaは音声対音声のやり取り自体を中心に設計されており、文字情報を必ず経由させる従来型パイプラインとは発想が異なります。ただし、業務で最新の商品情報や在庫、予約状況を回答させる場合には、外部データとの連携が別途必要になると考えられます。

文字への変換を挟まない利点は、処理時間の短縮だけではありません。「大丈夫です」という同じ言葉でも、声の震えや長い沈黙があれば、受け取る意味は変わります。Blockは、文字中心の処理では感情に関する大量の情報が捨てられ、利用体験の低下だけでなく危険につながる可能性もあると主張しています。もっとも、Dessaが感情をどのような内部表現で制御しているのかは明らかにされていません。ElevenLabsやFish Audioの一部モデルでは感情を示す音声タグが使われますが、Dessaにも同様の仕組みがあるかどうかは現時点で確認できません。

高度な生成AIはクラウド上の大規模な計算基盤で動かすもの、という見方は根強くあります。これに対してBlockは、DessaをMacBook ProのM4 Max搭載モデル以上に相当する消費者向けコンピューターでローカル実行できると説明しています。また、学習には人間の音声データと単一のNVIDIA製GPUを使用したとしています。具体的なGPUの機種、学習時間、データ量は示されていないため、計算効率を他のモデルと直接比較できる段階ではありません。



端末内で処理できれば、音声をクラウドへ送り、応答を受け取るまでの通信時間を減らせる可能性があります。ネットワーク品質が安定しない店舗や、応答のわずかな遅れが会話を妨げる電話受付では、ローカル処理が利用体験に影響するでしょう。クラウドの推論処理を呼び出す回数が減れば、継続的な利用コストを抑えられる可能性もあります。複数店舗に配置する場合は、端末価格、消費電力、保守作業まで含めてクラウド方式と比較する必要があります。

情報管理の面でも選択肢が増えます。音声には会話内容だけでなく、話者の特徴や周囲の音も含まれるため、外部送信を抑えられる構成には一定の利点があります。ただし、「ローカルで動く」ことだけで安全性やプライバシーが保証されるわけではありません。会話ログを保存する場所、外部の業務システムへ送る情報、モデル更新の方法によってリスクは変わります。企業は導入時に、どの処理が端末内で完結し、何がネットワークを経由するのかをデータフローとして確認すべきでしょう。

Blockは金融サービスを主要事業とし、Squareを通じて中小規模の事業者向けに決済や店舗運営の仕組みを提供しています。Squareでは、すでに飲食店の注文受付などに音声AIが利用されています。Dessaを自社の音声基盤として活用できれば、外部モデルの利用料や通信環境への依存を抑えながら、音声対応をより多くの業務へ広げられる可能性があります。ただし、具体的な製品への搭載時期や料金体系は発表されていません。



企業利用で注目すべき場面は、完全に自由な雑談よりも、目的と範囲が定まった会話です。飲食店の注文受付なら、品目、数量、受取方法を確認し、聞き間違いが疑われる箇所だけを尋ね直す設計が考えられます。予約受付では日時や人数を復唱し、確定前に利用者の同意を取る必要があります。フルデュプレックスによって割り込みを自然に扱えれば、「そこではなく明日の予約です」といった訂正にも対応しやすくなるでしょう。

感情表現は、顧客との距離を縮める一方、業務によっては抑制が求められます。注文確認で過度に感情的な声を使えば、聞き取りやすさを損なうかもしれません。苦情対応では共感的な調子が役立つ場合もありますが、AIが実際に感情を持つかのような誤解を招かない配慮が欠かせません。導入企業には、会話の自然さを最大化するのではなく、正確性、待ち時間、訂正のしやすさ、有人対応への切り替えといった業務指標に結び付けて評価する姿勢が求められます。

Dessaは現在、一般には公開されていません。Blockは安全性を研究する専門家に対し、モデルのテストへの協力を呼びかけています。人間に近い感情や間を再現できる音声AIは、自然な接客を実現し得る反面、通話相手を欺く用途にも転用される恐れがあります。声の表現力が高まるほど、利用者は話の内容だけでなく、ためらいや涙声といった演出からも相手を信用してしまう可能性があります。



安全性の検証では、禁止事項への応答だけを確認しても十分ではありません。AIであることを明示するか、特定の人物になりすませないか、緊急性を装って送金や認証情報を求めないかといった会話全体の振る舞いが対象になります。利用者が感情的になった際にモデルがどのような声で応じるのか、割り込みを誤って無視しないか、通話を終了したい意思を尊重できるかも確認項目になるでしょう。金融や医療など判断の影響が大きい領域では、AIだけで対応を完結させない設計も必要です。

企業側には、障害や不正利用が起きた後に検証できる記録も欠かせません。その一方で、音声を無制限に保存すればプライバシー上の懸念が増します。保存期間、閲覧権限、匿名化、利用者への通知を含め、業務目的に見合う範囲を決める必要があります。Dessaの安全対策や提供条件の詳細はまだ示されていません。公開前に外部研究者の検証を募るBlockの方針は、こうしたモデルの能力だけでなく、悪用経路を事前に洗い出す作業が不可欠であることを示しています。

Dessaの発表から得られる示唆は、すぐに既存の音声システムを置き換えることではありません。一般提供が始まっておらず、日本語への対応状況、利用条件、商用ライセンス、外部システムとの接続方法も明らかにされていないためです。企業にとって現実的な出発点は、音声AIが会話のどこで利用者を困らせているかを把握することでしょう。応答までの空白、割り込みへの弱さ、単調な話し方、聞き直しの多さを分けて記録すれば、新しいモデルに必要な能力を具体化できます。



検証では、自然さだけをアンケートで尋ねるのではなく、業務上の結果と組み合わせることが大切です。注文内容の修正に要した回数、有人対応へ移った割合、誤認識後に会話を立て直せたか、利用者がAIとの通話だと理解していたかを確認します。高齢者、早口の利用者、周囲に雑音がある環境など、実際の顧客層と利用条件を反映したテストも必要になるでしょう。感情豊かな声が好意的に受け取られるかどうかは、業種や場面、ブランドの接客方針によって異なります。

技術構成については、端末内で処理する範囲とクラウドへ送る範囲を整理し、障害時の代替手段を用意します。AIが回答できない場合に担当者へ引き継ぎ、その際に利用者が同じ説明を繰り返さずに済む仕組みも重要です。Dessaのような音声ネイティブモデルを評価するなら、既存システムの会話ログから失敗しやすい場面を抽出し、限定された業務で比較試験を設計するのが具体的な一歩になります。人間らしさを目的にせず、利用者が短時間で正確に用件を終えられるかを判断基準に据えるべきです。