カスタマーサービスの音声合成：IVRと電話ガイダンスの作り方

カスタマーサービスでテキスト読み上げが主に使われるのは、電話をかけた人が担当者につながる前に耳にする声です。電話メニュー（IVR）、あいさつ、保留メッセージ、時間外のご案内、障害のお知らせなどです。すべてのガイダンスを、対応しているすべての言語で、同じ声にそろえられます。1つのメッセージを直したいときも、新しい録音を手配する代わりに、数分で差し替えられます。仕上がりを左右するのは、声の選び方よりも、ガイダンスの書き方のほうがずっと大きいものです。

このガイドでは、聞き取りやすいガイダンスの書き方、電話システムが求める音声形式、数字と名前の扱い、多言語メニュー、開示のルール、費用を順に説明します。

カスタマーサービスで、音声合成はどこに使えますか？

多くのチームは、最初の5つから始めます。これらは音声ファイルのセットを電話システムにアップロードするだけです。個別のメッセージには連携が必要で、後ほど説明します。

聞き取りやすいIVRのガイダンスは、どう書きますか？

電話では、聞き返すことも、画面を戻ることもできません。一度聞いただけで伝わる必要があり、しかも騒がしい部屋で、スマートフォンのスピーカーから聞かれることも少なくありません。

電話メニューのルール

• 番号より先に、用件を言います。「ご請求については、1を押してください」なら、聞き手はまず自分の用件かどうかを判断し、そのあとで番号を聞けます。「1を押すとご請求です」では、何の番号なのかが分かるまで、番号を覚えたまま待つことになります。
• 選択肢は4つか5つまでにします。 それ以上になると、最初の選択肢を忘れてしまいます。どうしても多いときは、2階層に分けます。
• いちばん多い用件を最初に置きます。 実際にどんな理由で電話がかかってくるのかを調べましょう。
• 宣伝を聞かせません。 メニューの前に告知を入れると、すべての通話に時間が上乗せされます。
• 繰り返しと、抜け道を必ず用意します。「もう一度お聞きになるには、アスタリスクを押してください。担当者と話すには、0を押してください。」
• メニューのあとに間をとります。 システムがタイムアウトするまでに、決めるための数秒を残してください。

改善前と改善後

改善前：

「お電話ありがとうございます。メニューの内容が最近変わりましたので、よくお聞きください。すでにご注文済みの商品について、配送の状況について、またはご返品についてのお問い合わせをご希望の場合は、1を押してください。2は……」

改善後：

「お電話ありがとうございます。Northwindです。ご注文、配送、ご返品は、1を押してください。ご請求は、2を押してください。技術的なご相談は、3を押してください。担当者と話すには、0を押してください。」

後者は半分の長さで、どの選択肢も一息で言い切れます。

数字、日付、名前を正しく読ませるには？

電話のガイダンスには、声が何通りにも読めてしまうものがたくさん出てきます。事前に生成するガイダンスでは、読んでほしいとおりに書き出しましょう。

ブランド名、製品名、地名は、一度だけ読み方リストに登録しておけば、すべてのガイダンスで同じ読み方になります。電話ではこれが特に大切です。あいさつで会社名を読み間違えると、それがすべての発信者が最初に耳にするものになるからです。

電話システムには、どんな音声形式が必要ですか？

電話の音声は狭帯域です。従来の電話回線はおよそ300〜3,400 Hzを伝え、サンプリングは8 kHzです。多くの電話システムは、次のうち1つ以上を受け付けます。

• WAV、8 kHz、16ビット、モノラル（PCM）
• WAV、8 kHz、モノラル、μ-law（北米と日本で一般的）またはA-law（ヨーロッパとそのほかの多くの地域で一般的）
• MP3。クラウド型の電話サービスには、受け付けて自分で変換するものもあります

LeeloはMP3とWAVで書き出せます（書き出しの方法）。WAVで書き出し、8 kHzのμ-lawやA-lawが必要な場合は、電話サービスのアップロードツールか音声変換ツールを使ってください。実用的なコツが2つあります。

• 狭帯域でも残る声を選びます。 中音域がはっきりした声は、電話でもよく通ります。息づかいの多い声や、とても低い声は、細かな部分が失われます。候補の声は、実際の電話の通話で再生して確かめましょう。
• 音楽は控えめにします。 保留音楽は、どちらも電話の帯域に押し込まれると、話し声と競い合います。音楽を敷いた保留メッセージを作るときは、音楽を声よりずっと小さくしてください（効果音と音楽の追加）。

電話メニューを複数の言語にするには？

1. 言語の選択は、それぞれの言語で案内します。「For English, press 1. Para español, oprima dos. Pour le français, appuyez sur trois.」のように、各フレーズをその言語のネイティブの声で読み上げます。
2. ガイダンスは、字面ではなく翻訳します。 電話の言い回しは言語ごとに違います。スペイン語のIVRでは、直訳の「press」ではなく、「oprima」や「marque」がよく使われます。
3. 言語ごとに声を1つ決めて、使い続けます。 Leeloには80を超える言語の声があります。たとえば、スペイン語の音声を何種類か聴き比べて、発信者にいちばん自然に聞こえる声を選んでください。
4. メニューの構成は、すべての言語で同じにします。 どの言語でも2が請求なら、サポート担当者も問題を調べやすくなります。

声がAIであることを、発信者に伝える必要はありますか？

開示は望ましい対応で、場合によっては法的な義務でもあります。

• 発信（アウトバウンド）の通話： 米国では、連邦通信委員会（FCC）が2024年に、AIで生成した声は自動音声通話の規則でいう「人工的な」声にあたると判断しました。この規則では、一般に受信者の事前の同意が必要です。
• 人と会話するAIシステム： EUのAI法（AI Act）は、明らかな場合を除き、AIシステムとやり取りしていることを本人に知らせるよう求めています。
• 着信（インバウンド）のメニュー： 録音済みのメニューはなじみのある形式です。ただし、合成音声が生身のオペレーターと間違われかねない場合は、早い段階ではっきり伝えましょう。

ルールは国によって違い、変化も速いので、法務の担当者に確認してください。これは一般的な情報であり、法的助言ではありません。

ブランドには、既存の声と専用の声のどちらがいいですか？

• ライブラリの声： いちばん早い方法です。ライブラリから1つ選び、あらゆる場面で使います。
• デザインした声： 説明文から声をつくります（「親しみやすく、落ち着いた、30代半ば、はっきりした、ゆったりした話し方」など）。ほかの会社と同じ声にはなりません。
• クローンした声： 以前のあいさつを録音した社員など、会社がすでに耳なじみの声を持っているなら、ボイスクローンで短い録音からその声を再現できます。その人の書面での同意が必要です。退職した場合にどうするかも、あらかじめ決めておきましょう。

ガイダンスを最新に保つには？

チームがテキスト読み上げに切り替える大きな理由は、更新のしやすさです。以前は、休業のお知らせのたびにスタジオを予約していました。いまは、1行を編集するだけです。

具体例：祝日の休業

1. 「営業時間」の行の下に、同じ話者で新しい行を追加します。
2. 文面を変えます。「25日の月曜日は休業いたします。営業再開は、火曜日の午前9時です。」
3. その行だけを、同じ声と同じ設定で作り直します。メニューのほかの部分とそろいます。
4. 書き出して、休業の期間に合わせたスケジュールで電話システムにアップロードします。

APIで自動化する

障害のお知らせや、いつもより長い待ち時間など、メッセージが最新の情報に左右される場合は、APIで自社のシステムからテキストを音声にし、Webhookでファイルの完成を知ることができます。通話中にその場で音声を生成する場合は、導入を決める前に、電話サービスと組み合わせて遅延を最初から最後まで検証してください。

電話システムの音声化には、いくらかかりますか？

Leeloはクレジット制です。標準の声は1語につき1クレジット、プレミアムの声は1.5クレジット、ご自身でデザインまたはクローンした声は5クレジットです。失敗した処理のクレジットは返還されます。計算してみましょう。

• 一般的なIVR：1つ平均15語のガイダンスが40本で、約600語です。標準の声なら600クレジットになります。無料プランに一度だけ付与される1,000クレジットに収まり、完全なメニューを作って試すには十分です。
• 同じメニューを4言語で：約2,400クレジット。
• デザインしたブランドの声で、1言語：約3,000クレジット。
• APIは、Proプラン（月額99ドル、600,000クレジット、メンバー3人）から使えます。

音声の商用利用は、お客様に聞かせる場合も含めて、有料プランで認められています。すべてのプランは料金で、そのほかの例は電話メニューの活用例のページでご覧いただけます。

よくある質問

自社の電話メニューにテキスト読み上げを使えますか？

はい。ガイダンスを書き、1つの声で生成し、WAVで書き出して、電話システムにアップロードします。クラウド型でもオンプレミス型でも、多くの電話システムはWAVファイルを受け付けます。8 kHzへの変換が必要な場合もあります。

IVRにいちばん向いている声は？

電話の音声は細かな部分が削られるので、はっきりした中音域の声を、普段の会話より少しゆっくりしたペースで使うのがおすすめです。スタジオ用のヘッドホンではなく、実際の電話の通話で2、3種類の候補を試し、いちばん聞き取りやすい声を選んでください。

電話のあいさつは、どれくらいの長さがいいですか？

できるだけ短く。会社名、あれば1行のメッセージ、そしてメニューです。1秒増えるごとに、すべての発信者が、毎回その分を負担します。お知らせを入れたいときは、メニューのあとか、順番待ちのメッセージに置きましょう。

1つの選択肢が変わったとき、メニュー全体を録音し直す必要がありますか？

いいえ。1行ずつ作れるStudioなら、変わったガイダンスだけを同じ声と同じ設定で編集して作り直せるので、ほかの部分とそろいます。あとは、電話システムのそのファイル1つを差し替えるだけです。

AIの声だと、発信者に気づかれますか？

特に長いメッセージでは、気づく人もいます。ガイダンスが明確で、声が心地よければ問題ありません。発信者がいちばん気にするのは、適切な窓口に早くたどり着くことです。法律や自社の方針で求められる場合は、自動音声であることを発信者に伝えてください。