Deepgram、遅延80msの音声合成モデル「Flux TTS」を発表

音声AIのデモはスムーズに見えても、実際の電話窓口でユーザーが途中で口を挟んだり、注文内容を急に変えたりすると破綻してしまいがちです。Deepgramはこうした課題に対処するため、リアルタイム対話専用の音声合成モデル「Flux TTS」を発表しました。

中断や注文変更にも即応する超低遅延設計

Flux TTSの最大の特徴は、最短80ミリ秒という驚異的なレスポンス速度です。これによって、AI特有の不自然な間を感じさせない対話を実現します。

従来のTTSとは異なり、Fluxは会話のターンをまたいで文脈を追跡し、通話の状況に合わせてリアルタイムに適応します。相手からの突然の割り込みや注文の変更、早口で読み上げられる数字の羅列など、現場で最もエラーが起きやすいパターンを処理できるよう設計されています。Deepgramはデモ用途ではなく、実際のカスタマー対応での実稼働を狙っており、9月12日まで開発者向けに無料提供されています。

なぜ重要か

音声エージェントが実用に耐えうるかを決めるのは、声の美しさ以上に反応速度と柔軟性です。80ミリ秒の低遅延は人間の相槌に近いリズムを生み出し、対話の違和感を大幅に減らします。

顧客対応の現場では、話を遮られたり数字の聞き取り直しが発生したりするのは日常茶飯事です。そこを技術的にカバーしてきた点は非常に実務的だと評価できます。9月12日までは無料で検証できるため、自社の自動電話対応や音声ボットの刷新を検討しているチームにとって、試す価値は十分にあります。