ElevenLabsの会話型AIが音声とテキストの同時入力に対応、メール入力などの誤認識を防止

音声AIアシスタントに英数字の混ざった注文番号やメールアドレスを一文字ずつ読み上げるのは、多くの人にとってストレスの溜まる体験です。一文字でも聞き取れなければ、最初からやり直す羽目になります。

ElevenLabsは自社の対話型AIプラットフォーム「Conversational AI」をアップデートし、音声とテキストの両方を同時に処理できる真のマルチモーダル対応を発表しました。話しながら途中でキーボード入力を挟むといった柔軟なやり取りが可能になります。

聞き取りづらいIDはキーボードで打ち込む

音声のみのAIエージェントは直感的ですが、ビジネスの実務ではしばしば壁にぶつかります。ElevenLabsによると、特に多いのがメールアドレスや追跡番号などの英数字の聞き取りミスによる顧客データの照会エラーや、クレジットカード番号のような長い数字を声に出して入力させることによるユーザーの離脱です。

今回の機能拡張により、ユーザーは同じ対話のなかで音声とテキストを自在に切り替えられるようになりました。普段は自然に声で話しつつ、正確さが求められる場面や声を出せない状況ではテキストで入力し、そのままスムーズに対話を続けられます。必要に応じて、従来のテキストチャットボットとして動作させることも可能です。

1行のコードで導入、32言語以上に対応

開発者向けの導入ハードルも低く抑えられています。ウェブサイト用のウィジェット設定で「テキスト入力を許可」するオプションを有効にすれば、HTMLを1行埋め込むだけでマルチモーダル対応が完了します。

独自のアプリに組み込む場合も、SDKや双方向通信を行うWebSocketで利用できます。32言語以上に対応する高品質な音声合成・認識モデルや、TwilioおよびSIP回線との連携といった既存のインフラもそのまま活用可能です。

なぜ重要か

私たちは、このアップデートが非常に実用的な判断だと考えています。ここ最近の音声AI界隈では、すべての操作を声だけで完結させようとするあまり、現場での使い勝手を損ねているケースが目立っていました。あえてキーボード入力を併用できるようにしたアプローチは、派手さよりも業務の現場での成功率を優先した賢明な一手と言えます。

ユーザーや開発者にとっては、顧客サポートや問い合わせ対応における入力ミスや途中離脱を直接減らせる点が大きなメリットです。長くて複雑な文字列だけをテキストでコピペできるため、すでにElevenLabsのウィジェットを使っているなら、すぐに試す価値があります。

音声かテキストかの二者択一ではなく、両方を組み合わせたハイブリッドな対話こそが実用的なAIエージェントの標準になっていくと見られます。