AI音声エージェントが売れるようになるには、どこまで人間らしく聞こえる必要があるのか?



AI音声エージェントに求められるのは、見込み客が会話を続けてくれる程度に人間らしく聞こえることです。そのために必要なレベルは通話の種類によって異なります。リマインダーなら明瞭でタイミングの良い音声で十分ですが、新規開拓の営業電話では、その場の状況に応じて変化する話し方が必要です。自社がどちらに当たるかは、実際の発信通話を2つの音声設定に振り分け、コンバージョンを比較すれば分かります。デモを聞いて分かるのは、自分の好みです。見込み客が実際にどう行動するかは分かりません。
本ガイドは、アウトバウンドのコンバージョンに責任を持つ方を対象としています。プロンプトで変えられることと、音声やエージェント設定で変えられることを切り分け、通話の種類ごとに基準を定め、実際の通話でのテスト方法を紹介します。
「音声が人間らしくない」とバイヤーが言うとき、何を指しているのか?
指しているのはプロソディ(韻律)です。話し手が使う声の高さ、速さ、音量、間、強勢、そしてそれらが状況に応じてどう変化するかを指します。優れた営業担当者は、価格を伝える前に声のトーンを落とし、見込み客がためらえばペースを緩め、答えがイエスなら声を明るくします。エージェントが正しい文を話していても、平板だったり一様に明るすぎたりすれば、見込み客にはスクリプトを読み上げているように聞こえます。
この壁にぶつかったチームは、たいていプロンプトを何度も書き直しています。言い回しは改善されても、反応は変わりません。言葉と話し方は、システムの異なる部分から生まれるからです。
プロンプトで変えられること、変えられないことは?
プロンプトが変えるのは、エージェントが何を話すかです。どう話すかは、選択した音声とエージェントの音声設定で決まります。話し方の問題を直すためにプロンプトを編集し続けているなら、手を入れるレイヤーを間違えています。
Retell では、レイヤーは次のように分かれます。設定名は製品ドキュメントで使われている名称です。
| レイヤー | 制御する内容 | 設定場所 | 解決できないこと |
|---|---|---|---|
| 言葉 | 文の長さ、言い回し、フィラー、共感表現、数字の表現方法 | プロンプト、およびAgent Handbookのプリセット:Default Tone(Professional + Conversational)、Natural Filler Words、High Empathy、Speech Normalization | よく書かれたセリフが平板またはぎこちなく話されること |
| 音声 | 誰が話しているか:声質、アクセント、年齢、基本的なエネルギー | Select Voice:Platform Voices、Custom Providers、またはボイスクローン | 言い回し、エージェントが話すタイミング |
| 話し方 | 速さ、音量、感情、強調、間 | Voice Speed、音量、Expressive mode、間と発音のコントロール | 対象者に合わない音声 |
| タイミング | エージェントが待つ時間、割り込まれやすさ、相づちなどの小さな傾聴音 | 音声設定:Response Wait time、Interruption Sensitivity、Enable Backchanneling、Background sound | 文の中での感情的なトーン |

Agent Handbookのプリセットも、あくまでプロンプトレベルのツールです。ドキュメントでは、Professional + Conversationalは短いターンで一度に1つずつ質問するトーンとして説明されており、営業に適しています。変わるのはスクリプトであり、音声そのものではありません。
音声の聞こえ方を変える設定はどれか?
音声そのものを変える設定は4つのグループに分かれ、それぞれにドキュメントに記載された制限があります。
音声の選択。プラットフォーム音声はRetell が厳選したライブラリで、ドキュメントでは電話での会話型AI向けにファインチューニングされ、通信回線のビットレートでも明瞭に聞こえるよう調整されていると説明されています。カスタムプロバイダーの音声を追加したり、音声をクローンしたりすることも可能です。クローンに関するドキュメントには、営業チームにとって重要な一文があります。クローンは聞き取った話し方をそのまま再現するため、通話で使いたいトーン、ペース、エネルギーで録音してください。
速さと音量。Voice Speedは0.5xから2.0xまで設定できます。「Dynamically adjust based on user input」をオンにすると、エージェントは見込み客の1分あたりの発話語数を追跡し、自らの速さを徐々に合わせていきます。音量はエージェントごとに1つの値です。通話中に音量をその都度上げ下げする設定はドキュメントに記載されていないため、それを前提に計画しないでください。
Expressive mode。状況に応じた話し方に最も近い、ドキュメント化されたコントロールです。オンにすると、エージェントは生成する音声に表現タグを付加し、会話の内容に応じてタグを選択します。タグには、感情(共感、興奮、喜び、好奇心、驚き)、効果(ため息、咳払い、間、長い間)、そして重要な単語への強調があります。使用を許可するタグを選べるほか、各タグを適用する条件のガイダンスを書き換えたり、冒頭のあいさつなど特定のセリフに手動でタグを付けたりすることもできます。
制限も同様に明確です。Expressive modeはプラットフォーム音声でのみ機能します。タグは13の言語に対応しており、多言語エージェントの場合は、使用するすべての言語がこのリストに含まれている必要があります。エージェントはタグを控えめに使い、ほとんどのセリフにはタグが付きません。数字、名前、時刻、価格には決してタグを付けないため、価格そのものの部分でタグによる話し方の変化を期待しないでください。
タイミング。トーンの良い音声でも、応答が早すぎたり相手の発言にかぶせたりすれば不自然に聞こえます。これを制御するのがResponse Wait time、Interruption Sensitivity、相づち(バックチャネリング)です。ターンテイキングと割り込みへの対応については、別のガイドで詳しく解説しています。
これらの設定のいずれも、エージェントを人間と区別できなくするものとしてドキュメント化されてはいません。それぞれをテストすべき入力として扱ってください。また、人間らしく聞こえることと、AIであることの開示は別の問題です。新しいエージェントでは、AI Disclosure When Askedプリセットがデフォルトでオンになっています。通話でどのような開示が必要かは、法務顧問またはコンプライアンス担当者に確認してください。
複数の言語で営業する場合、最初のあいさつはさらに重要になります。多言語AI音声エージェントの最初の30秒をご覧ください。
通話タイプごとに、音声はどこまで人間らしくあるべきか?
基準は、見込み客がイエスと答えるまでにどれだけ信頼を寄せる必要があるかに応じて高くなります。以下の表は、各通話が聞き手に何を求めるかに基づいた、自社テストの出発点です。ベンチマークではありません。
| アウトバウンドの通話タイプ | 見込み客が判断すること | 音声の基準 | 最初に取り組むこと |
|---|---|---|---|
| リマインダー、確認、更新のお知らせ | 確定するか、日程を変更するか | 名前、日付、金額を明瞭かつ正確に伝えること | プラットフォーム音声、Speech Normalization、ブランド名や製品名の発音登録 |
| 電話を希望したリードへのフォローアップ | いくつかの質問に答えるかどうか | 感情よりも、会話的な言い回しとスムーズなターンテイキングが重要 | Professional + Conversationalのトーン、相づち(バックチャネリング)、動的なVoice Speed |
| リストへの新規開拓電話 | 冒頭のあいさつの後も電話を切らずにいるかどうか | 高い。特に冒頭のひと言に集中する | 少数のタグでExpressive modeを追加し、冒頭のあいさつに手動でタグを付け、2つの音声で分割テストする |
| コンサルティング型または高額商材のクロージング | お金や重要な判断を売り手に託せるかどうか | どの設定でも満たせると想定すべきではない高さ | エージェントにリード選別と予約を任せ、テスト結果が別の答えを示すまでは、ウォームトランスファー(事前取次)で担当者に引き継ぐ |
最後の行こそが率直な答えです。その場の空気を読めるクローザーが成約の鍵を握るなら、クローザーを残してください。ウォームトランスファー(事前取次)では、エージェントが通話に残って応対する担当者に状況を伝えるため、見込み客が同じ説明を繰り返す必要はありません。
音声の人間らしさを、耳ではなく実際の通話でテストするには?
音声設定だけが異なる2つのエージェントを同じアウトバウンドのトラフィックで稼働させ、最初の通話の前に定義したコンバージョンイベントで両者を評価します。自分の耳は1人の聞き手にすぎません。見込み客こそがサンプルです。
次のチェックリストを活用してください。
- まず到達率の問題を排除する。見込み客が電話に出ないなら、原因は音声ではありません。音声設定に手を付ける前に、アウトバウンドの応答率とアウトバウンド用電話番号のチェックリストを確認してください。
- 音声の評価にテキストシミュレーションを使わない。シミュレーションテストはテキストでの会話として実行されます。言葉と結果は評価できますが、音は一切聞いていません。
- Web通話で聞き、次に電話で聞く。ドキュメントでは、音声が実際にどう聞こえるか(ペース、発音、フィラー)はWeb通話でのテストで、通信事業者経由の音声は電話でのテストで確認するよう案内しています。
- コンバージョンを印象ではなくフィールドとして定義する。カスタムのPost Call Extractionフィールドを追加します。たとえば「ミーティング予約済み」を表すBoolean、または通話結果を表すSelectorを設定し、すべての通話が同じ基準でラベル付けされるようにします。
- 変えるレイヤーは1つだけにする。エージェントを複製し、音声だけ、またはExpressive modeだけを変更します。プロンプトは同一に保ってください。そうしないと、何が数値を動かしたのか分からなくなります。
- 実際のトラフィックを分割する。電話番号のA/B Testingでは、通話の一定割合(たとえば80/20や50/50)を各エージェントに振り分けます。インバウンドだけでなくアウトバウンドの通話にも対応していることがドキュメントに記載されています。
- Analyticsで比較する。エージェントとバージョンで絞り込み、カスタムフィールドを通話件数、通話成功率、通話時間と並べてグラフ化します。
- 結果だけでなく音声も評価する。AI QAは実際の通話のサンプルを評価し、そのAgent Naturalness指標は音声と文字起こしの両方を使って、不自然な速さやイントネーション、誤った発音、不具合を検出します。組み込みの
user_sentimentフィールドは文字起こしのみから推定されるため、トーンの評価として解釈しないでください。 - 終了条件を事前に決める。バリアントごとの接続通話の最低件数と、判断を変えるに足る差を決めておきます。どちらもローンチ前に書き留めておいてください。
より表現力の高いバリアントのコンバージョンが上がらなければ、音声はボトルネックではなかったということです。次はリスト、オファー、冒頭の質問を見直しましょう。上がった場合は、その選択を裏付ける数値が手に入ります。デモから本番環境へ移行する際にも、同じサイクルが当てはまります。
パイロットの前に、音声についてベンダーに何を確認すべきか?
パイロット期間中に製品上で検証できる回答が得られる質問をしましょう。
- 話し方を変える設定はどれで、言い回しだけを変える設定はどれか?
- 表現豊かな話し方は、クローン音声を含め、使用予定の音声と言語で機能するか?
- 通話中に音量、ペース、トーンは変化するか。変化する場合、何がきっかけになるか?
- 実際のアウトバウンドのトラフィックを2つの音声設定に振り分け、バリアントごとのコンバージョンを確認できるか?
- 音声を聞いて評価する品質指標はどれで、文字起こしのみを読む指標はどれか?
- 通話を人に引き継ぐ必要がある場合、その引き継ぎは見込み客にどう聞こえるか?
洗練されたデモ録音で答えるベンダーは、別の質問に答えているにすぎません。
自社の通話で音声を検証する
リアルな音声合成だけに最適化されたシステムとは異なり、Retell は会話全体のために設計されています。音声、その前後のタイミング、人への引き継ぎ、そしてそれらがコンバージョンにつながったかを示す測定まで、すべてを網羅します。各要素がどう連携するかはAI音声エージェントのページで、実際の通話をAI QAがどう評価するかもあわせてご確認ください。そのうえで、2つの音声設定と自社のコンバージョンイベントを使って実際の通話でパイロットを実施し、契約前にその数値をもとに判断してください。
AI搭載の音声エージェントに切り替えることで、あなたのビジネスがどれだけ節約できるかをご確認ください。
送信内容がメールに届いています
ROI結果
Total Human Agent Cost
AI Agent Cost
Estimated Savings
Estimate your monthly voice AI cost
Retellで、電話業務に革命を

よりスマートな会話の構築を、今日から始めましょう。




