AI音声インターフェース、業務の入口に

電話代行・会議記録・音声モデル選定まで、AIが声でのやり取りを代行する動きが同時に立ち上がっている。

電話・会議・音声が新しい『入口』に

今週取り上げる3つのプロダクトは、いずれも人が声で行ってきたやり取りをAIが仲介するという点で共通している。Sayoraは電話対応、Humlaは会議の記録、Spekoは音声AIモデルの選定という異なる工程を扱うが、どれも『話す・聞く』という業務の入口をAIに委ねる設計になっている。テキストベースのチャットボットや文章生成AIが一巡した後、次に自動化の対象となっているのが電話や会議といった音声チャネルだ。受付、議事録、そして音声AI自体を支える基盤という3層で同時にプロダクトが立ち上がっている点は、この領域が単発の流行ではなく業務フローの各所に染み出し始めている兆しと見てよいだろう。

Sayora — 英国の職人業に特化したAI受付

SayoraはUKのtrades(配管工や電気工事士などの職人業)と中小企業向けに、電話対応を24時間肩代わりするAI受信サービスだ。転送された着信を英国訛りの自然な音声で受け、営業電話をふるいにかけつつ、案件の詳細を聞き取ってカレンダーに予定を入れる。通話後にはサマリーがテキストで届き、専用のUK番号と録音・文字起こしの一覧も提供される。セットアップは自社サイトから学習させるだけという手軽さで、定額料金の中に受付業務一式を収めている点が特徴だ。電話に出られない小規模事業者にとって、受付担当を雇う代わりにAIを据える選択肢が、業種を絞ることで具体的な製品として成立している。

Humla — ローカル完結の会議記録

Humlaは無料でオープンソースのMacアプリで、会議botを招待せずに通話の両側の音声を録音し、端末上でリアルタイムに文字起こしする。クライアント向けメールや社内向けアクションリストといった用途別のプリセットを選べば要約が生成され、ワンクリックで再生成してそのままメールにコピーできる。さらにOllamaと連携すればオフラインのモデルを使って会議履歴全体を横断的にチャットで検索でき、回答には出典元へジャンプできる引用が付く。文字起こしはローカルのWhisperで完結させるか、Humla Cloudやセルフホストサーバーでワークスペースを同期する選択肢もあり、APIキーはmacOSのKeychainに保管される。クラウド送信を前提にしない設計が、会議データの扱いに敏感な利用者への配慮として際立つ。

Speko — 音声AIの『英語偏重』を測る

SpekoはYC S26に採択されたスタートアップで、音声AIモデルの選定を担う立ち位置のサービスだ。音声認識・音声合成を含む61のモデルを10言語で横断的にベンチマークし、言語ごと・目的ごとにどのモデルを呼び出すべきかを、公開された計測結果に基づいてAPI一本で振り分ける。同社の指摘によれば、比較対象とした23モデルのうち11は英語でしか性能が測定されておらず、英語のリーダーボードで首位のモデルであっても他言語での順位は不明なままだという。電話対応や会議録音のように非英語圏で音声AIの実利用が広がるほど、こうした言語ごとの精度差を可視化し自動で吸収する基盤の必要性が高まる。

なぜ今、音声が自動化の焦点になったのか

電話・会議・音声処理という3つの現場が同時に動いている背景には、音声認識と音声合成の精度が実用水準に達し、かつ多様な業種・言語での要求に応える必要が出てきたという事情がある。Sayoraのように業種を絞って電話対応を任せる動き、Humlaのようにローカル処理でプライバシーに配慮した記録を残す動き、Spekoのように基盤側で言語ごとの最適化を図る動きは、それぞれ異なる層で音声チャネルの信頼性を底上げしようとしている。テキストの自動化がひと段落した今、声でのやり取りという、これまで人手に頼らざるを得なかった領域に自動化の手が伸び始めている。

この芽をいつから追っているか

8番の記事では、チャットで答えるだけだったAIが開発・営業事務の実作業を肩代わりし始めている流れを扱った。今週のSayoraは英国の職人業という業種を絞った形でその電話対応の自動化を具体化している。また10番で書いた『モデル比較・切り替えの自動化』という発想を、Spekoは音声AI領域に持ち込んだ点で地続きだ。文字ベースの自動化から音声ベースへ、対象領域が広がっている。

🔭 電話・会議・音声基盤という3層で同時に動きが出ており、次は業種特化や多言語対応の深さが競争軸になりそうだ。