> For the complete documentation index, see [llms.txt](https://docs.maiagent.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.maiagent.ai/maiagent-user-guide/ja/build/agent/voice-agent.md).

# 音声アシスタント（Voice Agent）

Agent が「聞く」「話す」ことで顧客に対応できるようにし、リアルタイム会話、STT/LLM/TTS パイプライン、割り込み制御に対応します

{% hint style="info" %}
この機能は現在 Beta です。機能やインターフェースは今後変更される場合があります。

左側メニューの <mark style="color:blue;">AI 機能</mark> → <mark style="color:blue;">音声 Agent</mark>、ページタイトル、組織概要の「高度な機能」にある「AI 音声アシスタント」の横には、<mark style="color:blue;">Beta</mark> が表示されます。機能や画面は今後変更される場合があります。この表示の意味は、[リリース段階のバッジ](https://docs.maiagent.ai/maiagent-user-guide/ja/org/overview/organization-overview.md#release-stage-badges)をご覧ください。
{% endhint %}

## どのような機能ですか？ <a href="#what-is-this" id="what-is-this"></a>

音声アシスタントを使うと、Agent と**音声**でやり取りできます。ユーザーが話しかけると、AI も音声で応答します。リアルタイム音声モデル、STT（音声からテキストへの変換）、TTS（テキストから音声への変換）、割り込み制御を組み合わせ、電話サポート、IVR、音声アシスタントなどに利用できます。

有効にすると、MaiGPT、Agent マーケットプレイス、Web Chat の入力欄に「音声対話モード」に入るボタンが追加されます。クリックするだけで話し始められます。操作は[ユーザー側での使い方](#how-users-talk)をご覧ください。

## 対話モード <a href="#interaction-modes" id="interaction-modes"></a>

<mark style="color:blue;">音声 Agent</mark> の設定ページで、<mark style="color:blue;">対話モード</mark> から音声処理の流れを選択します。

| モード                                              | 動作                                                   |
| ------------------------------------------------ | ---------------------------------------------------- |
| <mark style="color:blue;">リアルタイム音声</mark>        | リアルタイム音声モデルが直接音声を聞き取り、音声で応答します                       |
| <mark style="color:blue;">リアルタイム音声＋カスタム音声</mark> | リアルタイム音声モデルにテキスト読み上げ（TTS）を組み合わせて出力します                |
| <mark style="color:blue;">パイプライン</mark>          | 音声認識（STT）→ 関連付けられた AI アシスタント → テキスト読み上げ（TTS）の順に処理します |
| <mark style="color:blue;">アシスト</mark>            | 音声をテキストに変換して返信候補を生成します。AI は発話しません                    |

## 音声アシスタントの設定方法 <a href="#voice-settings-walkthrough" id="voice-settings-walkthrough"></a>

左側メニューの <mark style="color:blue;">AI 機能</mark> → <mark style="color:blue;">音声 Agent</mark> から、調整する音声 Agent を開きます。<mark style="color:blue;">基本設定</mark> に <mark style="color:blue;">関連付けられた AI アシスタント</mark> が表示されます。音声 Agent は、そのナレッジベース、ツール、プロンプトを使って回答します。

{% hint style="info" %}
以前は、AI アシスタントの「回答モード設定」に音声設定がありました。新しい入口に切り替わった組織では、この場所に関連付けられた音声 Agent が表示されます。音声パラメータは「音声 Agent」で変更してください。まだ切り替わっておらず、画面に「音声アシスタント設定」が表示される組織では、従来のプロバイダーと JSON の設定画面を使用します。これは組織のインターフェースの違いであり、AI アシスタントが新しいか古いかによる違いではありません。
{% endhint %}

### 1. 音声コンポーネント <a href="#voice-settings-tech" id="voice-settings-tech"></a>

対話モードを選択したら、<mark style="color:blue;">音声コンポーネント</mark> で、そのモードが使用するモデルとパラメータを調整します。

1. 調整する <mark style="color:blue;">リアルタイム音声モデル</mark>、<mark style="color:blue;">音声認識（STT）</mark>、または <mark style="color:blue;">テキスト読み上げ（TTS）</mark> を探し、右側の <mark style="color:blue;">編集</mark> をクリックします。
2. サイドパネルの <mark style="color:blue;">モデル</mark> でプロバイダーとモデルを選択し、声などの項目を調整します。その他の設定は <mark style="color:blue;">詳細パラメータ</mark> にあるため、必要に応じて展開します。
3. <mark style="color:blue;">折りたたむ</mark> をクリックして設定ページに戻り、ページ下部の <mark style="color:blue;">保存</mark> をクリックすると反映されます。パネルを折りたたむだけでは保存されません。

画面には、現在の対話モードで使わない音声コンポーネントが説明されます。適用できないモデルや設定にも理由が表示されます。「対応が必要」と表示された場合は、案内に従ってモデルを選び直すか、パラメータを修正してください。

#### リアルタイム音声モデルの選び方 <a href="#realtime-model-choice" id="realtime-model-choice"></a>

<mark style="color:blue;">音声コンポーネント</mark> → <mark style="color:blue;">リアルタイム音声モデル</mark> → <mark style="color:blue;">編集</mark> に進み、<mark style="color:blue;">モデル</mark> を展開します。現在選択できるリアルタイム音声モデルは以下のとおりです。画面では「プロバイダー · モデル名」と表示されます。

| プロバイダー             | モデル                                                                            |
| ------------------ | ------------------------------------------------------------------------------ |
| Google Gemini Live | `gemini-3.8-live`                                                              |
| OpenAI Realtime    | `gpt-realtime-1.5`、`gpt-realtime-2`、`gpt-realtime-2.1`、`gpt-realtime-2.1-mini` |

<figure><img src="https://2584873290-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FTvHx8hgwYGDTLD3A7xoW%2Fuploads%2Fgit-blob-a0ef62b3a82d53fdd5ed5ecab2d299e106b85a37%2Fvoice-agent-realtime-model-options.png?alt=media" alt="Google Gemini Live の gemini-3.8-live と、OpenAI Realtime の gpt-realtime-1.5、2、2.1、2.1-mini が並ぶリアルタイム音声モデルのメニュー"><figcaption><p>音声コンポーネントでリアルタイム音声モデルを編集します</p></figcaption></figure>

`gemini-live-2.5-flash-native-audio` は選択肢から削除されています。モデル一覧と利用可能な組み合わせは、設定ページの表示をご確認ください。

リアルタイム音声通話は、選択したモデルの音声・テキストの入出力量に応じて Credits に計上されます。<mark style="color:blue;">組織設定</mark> → <mark style="color:blue;">Credits</mark> → <mark style="color:blue;">課金方式</mark> で <mark style="color:blue;">音声認識・合成技術</mark> を展開すると、<mark style="color:blue;">リアルタイム音声出力（テキスト）</mark> などの項目でモデルごとの単価を確認できます。詳細は [Credits の課金制度](https://docs.maiagent.ai/maiagent-user-guide/ja/others/credits.md)をご覧ください。

{% hint style="info" %}
`gemini-3.8-live` は回答する前に思考します。この思考の使用量は <mark style="color:blue;">リアルタイム音声出力（テキスト）</mark> に含まれ、3.8 のテキスト出力単価に応じて Credits が消費されます。
{% endhint %}

{% hint style="warning" %}
`gpt-realtime` はメニューから削除されています。以前 `gpt-realtime` を選択していた Agent は、プラットフォームによって自動的に `gpt-realtime-2.1` に切り替えられました。既存の声、話す速度、出力モード、ターン検出、ユーザーの文字起こし設定はそのまま維持されるため、再設定は不要です。切り替え後は <mark style="color:blue;">リアルタイム音声出力（テキスト）</mark> の単価のみ従来の 1.5 倍になり、その他のリアルタイム音声の課金項目の単価は変わりません。<mark style="color:blue;">課金方式</mark> で両モデルの単価を比較できます。
{% endhint %}

### 2. 音声プロンプト <a href="#voice-settings-prompt" id="voice-settings-prompt"></a>

<mark style="color:blue;">音声プロンプト</mark> は、リアルタイムモデルに与える指示です。空欄の場合は、関連付けられた AI アシスタントのプロンプトを使用します。<mark style="color:blue;">パイプライン</mark> モードと <mark style="color:blue;">アシスト</mark> モードでは、ここで個別のプロンプトを設定しません。画面の案内に従って、関連付けられた AI アシスタントの設定で <mark style="color:blue;">役割の指示</mark> を調整してください。

### 3. 会話の動作 <a href="#voice-settings-behavior" id="voice-settings-behavior"></a>

* <mark style="color:blue;">音声で返信</mark>：オフにすると AI の音声を再生せず、テキスト記録のみを残します。一部のモードやモデルではこの項目が無効になり、画面に理由が表示されます。
* <mark style="color:blue;">割り込みを許可</mark>：AI が話している間に、相手が発話して遮れるかどうかを決めます。利用可能なパラメータはモードとモデルによって変わります。[割り込み制御](#turn-handling)をご覧ください。

設定が完了したら、ページ下部の <mark style="color:blue;">保存</mark> をクリックします。開始メッセージ、入口とリンク、ログイン設定、テスト通話は、ページ右上の <mark style="color:blue;">会話プラットフォーム設定</mark> にあります。

押している間だけ録音し、離すと送信する設定と操作は、[プッシュ・トゥ・トーク](https://docs.maiagent.ai/maiagent-user-guide/ja/build/agent/voice-agent/push-to-talk.md)をご覧ください。

## 割り込み制御（Turn Handling） <a href="#turn-handling" id="turn-handling"></a>

<mark style="color:blue;">会話の動作</mark> で、現在のモードで利用できる割り込み設定を確認します。設定ページには、適用できない項目とその理由が表示されます。例えば、<mark style="color:blue;">割り込みの最小文字数</mark> は、先に音声をテキストとして認識してから文字数を数える必要があるため、パイプラインモードでのみ有効です。

## ユーザーの文字起こし設定（Realtime モード） <a href="#user-transcript-settings" id="user-transcript-settings"></a>

ユーザーの文字起こしは、通話記録におけるユーザー側の発話テキストです。リアルタイム音声モデルに OpenAI を選択している場合、<mark style="color:blue;">音声コンポーネント</mark> → <mark style="color:blue;">リアルタイム音声モデル</mark> → <mark style="color:blue;">編集</mark> に進みます。<mark style="color:blue;">詳細パラメータ</mark> の <mark style="color:blue;">相手の文字起こし</mark> を展開すると、文字起こしモデル、言語、プロンプトを調整できます。

| 設定       | 説明                                                                                                                           |
| -------- | ---------------------------------------------------------------------------------------------------------------------------- |
| 文字起こしモデル | `gpt-4o-transcribe`、`gpt-4o-mini-transcribe`、`gpt-transcribe`、`gpt-live-transcribe` から選択できます。既定は `gpt-4o-mini-transcribe` です |
| 文字起こし言語  | 言語を指定できます。空欄の場合は自動検出します                                                                                                      |
| プロンプト    | 出現が予想される専門用語を入力したり、日本語での出力を指定したりできます                                                                                         |

これらの設定はユーザーの文字起こしにのみ影響し、音声モデルが聞き取る内容や回答は変わりません。ユーザーの文字起こしは、実際に使用する文字起こしモデルの音声認識秒数に応じて Credits に計上されます。単価は [Credits の課金制度](https://docs.maiagent.ai/maiagent-user-guide/ja/others/credits.md)をご覧ください。

## 会話の状態 <a href="#conversation-states" id="conversation-states"></a>

音声会話中は、画面に現在の状態が表示されます。

* **聞き取り中**：AI がユーザーの音声を受け取っています
* **思考中**：AI が処理しています（ナレッジベース検索、ツールの使用、返信の生成）
* **応答中**：AI が音声で応答しています
* **初期化中**：接続直後の準備を行っています

## ユーザー側での使い方 <a href="#how-users-talk" id="how-users-talk"></a>

Agent の音声アシスタントを有効にすると、ユーザー側で設定することなく、通常のテキストチャット画面から音声に切り替えられます。

| ユーザーがいる場所                                                                                               | 入口                                                                                                                                                                                                                                                                                                                                                 |
| ------------------------------------------------------------------------------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| 管理画面の <mark style="color:blue;">MaiGPT</mark>、<mark style="color:blue;">Agent マーケットプレイス</mark> のチャットページ | 入力欄の右側に <mark style="color:blue;">音声対話モード</mark> ボタンが追加されます。組織で AI 音声アシスタントが利用可能になっており、現在の会話の Agent で音声アシスタントが有効になっている必要があります                                                                                                                                                                                                                      |
| Web サイト上の Web Chat                                                                                      | 入力欄の横にある <mark style="color:blue;">ヘッドホン</mark> アイコンです（[音声入力](https://docs.maiagent.ai/maiagent-user-guide/ja/build/choose-channel/web-chat.md#voice-input-and-playback)のマイクアイコンとは異なります。マイクは発話をテキストに変換して送信し、ヘッドホンはリアルタイム通話を開始します）                                                                                                                  |
| 独立した音声会話ページ                                                                                             | 会話プラットフォームの <mark style="color:blue;">公開アクセス URL</mark> の横に <mark style="color:blue;">音声モード</mark> リンクがあります（[基本設定](https://docs.maiagent.ai/maiagent-user-guide/ja/build/conversation-settings/platform-settings/basic-settings.md#public-url-and-embed)を参照）。開くと通話専用ページが表示されます。<mark style="color:blue;">会話を開始</mark> をクリックすると、「発信中」と表示された後に接続されます |

### 音声対話モードのウィンドウ <a href="#voice-mode-window" id="voice-mode-window"></a>

ボタンをクリックすると、初回はブラウザーがマイクの使用許可を求めます。ボタンに「接続中...」と表示された後、<mark style="color:blue;">音声対話モード</mark> ウィンドウが開きます。

| エリア                                                                             | 説明                                                                                                                                                                                                                                            |
| ------------------------------------------------------------------------------- | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| <mark style="color:blue;">ご利用案内</mark>                                          | 開始前に読める音声対話の説明です。関連する注意事項は[利用上の制限](#limitations)をご覧ください                                                                                                                                                                                       |
| <mark style="color:blue;">接続状態</mark>                                           | 未接続 → 接続中... → 接続済みと変化します。失敗した場合は「接続失敗」と表示されます                                                                                                                                                                                                |
| 現在の状態                                                                           | <mark style="color:blue;">初期化中</mark>／<mark style="color:blue;">聞き取り中</mark>／<mark style="color:blue;">思考中</mark>／<mark style="color:blue;">応答中</mark>です。意味は[会話の状態](#conversation-states)をご覧ください。Agent が別の Agent に委任すると「サブエージェントが応答中…」と表示されます |
| <mark style="color:blue;">会話履歴</mark>                                           | 今回の通話のリアルタイムなテキスト記録です。接続前は「会話の開始を待っています...」と表示されます                                                                                                                                                                                            |
| <mark style="color:blue;">マイクをオフ</mark>／<mark style="color:blue;">マイクをオン</mark> | 一時的にミュートしたり解除したりします。録音中は「録音中」と表示されます                                                                                                                                                                                                          |
| <mark style="color:blue;">通話を終了</mark>                                          | 接続を切断してウィンドウを閉じます。通話内容は元の会話にテキストとして残るため、続けて文字入力でやり取りできます                                                                                                                                                                                      |

### よく表示されるメッセージ <a href="#voice-mode-messages" id="voice-mode-messages"></a>

| 画面のメッセージ                                     | 対処方法                                                                            |
| -------------------------------------------- | ------------------------------------------------------------------------------- |
| 「マイクの使用が拒否されました」「音声機能を使用するにはマイクの使用を許可してください」 | ブラウザーのアドレスバー左側にあるサイトの権限でマイクを許可し、もう一度クリックしてください                                  |
| 「マイクデバイスが見つかりません」                            | パソコンにマイクまたはヘッドセットが接続され、システムのサウンド設定で選択されているか確認してください                             |
| 「アシスタントへの接続がタイムアウトしました。しばらくしてから再試行してください」    | 音声サービスに一時的に接続できていません。数秒待って再試行してください。解消しない場合は、管理者に Agent の音声プロバイダー設定の確認を依頼してください |
| 「音声対話モードを開始できません」                            | 一時的に音声接続を確立できません。しばらくしてから再試行してください。解消しない場合は管理者にお問い合わせください                       |

## 通常のテキストチャットとの違い <a href="#voice-vs-text" id="voice-vs-text"></a>

|           | テキストアシスタント            | 音声アシスタント                   |
| --------- | --------------------- | -------------------------- |
| **入力**    | キーボード入力、ファイルの貼り付け     | マイク音声、場合によっては DTMF キー操作    |
| **出力**    | テキスト、Markdown、画像、ファイル | 音声と、最後に添付される文字起こし          |
| **遅延の要件** | 秒単位の遅延を許容できます         | 自然な会話にはミリ秒単位の遅延が必要です       |
| **適した場面** | 詳細な情報が必要な場合、記録を読み返す場合 | 即時応答が必要な場合、手が離せない場合、電話サポート |

## 適した利用シーン <a href="#when-to-use" id="when-to-use"></a>

* **電話サポート**：従来の IVR に代わり、AI が直接電話を受けて質問を聞き、回答します
* **音声照会システム**：顧客が電話で注文、残高、保険契約を確認できます
* **音声 FAQ**：よくある質問を直接話しかけて尋ねられます
* **運転中／手が離せない場面**：文字入力はできなくても AI のサポートが必要な場合に使えます
* **アクセシビリティ**：文字入力が難しいユーザーも利用しやすくなります

## 利用上の制限 <a href="#limitations" id="limitations"></a>

* **ナレッジベース検索**：音声アシスタントは関連付けられたすべてのナレッジベースを検索します。**特定の文書だけに検索対象を限定することはできません**
* **モデルとモードの組み合わせ**：音声コンポーネントパネルの選択肢と案内に従って選択してください。[リアルタイム音声モデルの選び方](#realtime-model-choice)をご覧ください
* **マイクの使用許可**：会話を始めるには、ユーザーがブラウザーによるマイクの使用を許可する必要があります

## 必要な作業 <a href="#what-do-i-need-to-do" id="what-do-i-need-to-do"></a>

1. <mark style="color:blue;">AI 機能</mark> → <mark style="color:blue;">音声 Agent</mark> から調整する音声 Agent を開き、関連付けられた AI アシスタントを確認します。
2. [対話モード](#interaction-modes)を選び、[音声コンポーネント](#voice-settings-tech)でモデルとパラメータを調整します。
3. 必要に応じて音声プロンプトと会話の動作を設定し、<mark style="color:blue;">保存</mark> をクリックします。
4. <mark style="color:blue;">会話プラットフォーム設定</mark> で利用する入口を設定し、テストします。

## 関連資料 <a href="#further-reading" id="further-reading"></a>

* [音声サポート：導入から公開まで](https://docs.maiagent.ai/maiagent-user-guide/ja/serve/voice.md)
* [電話サポート（コールセンター）](https://docs.maiagent.ai/maiagent-user-guide/ja/build/choose-channel/call-center.md)
* [音声サポートの利用シーン一覧](https://docs.maiagent.ai/maiagent-user-guide/ja/serve/voicecs.md)
* [IVR の顧客意図認識](https://docs.maiagent.ai/maiagent-user-guide/ja/serve/voicecs/ivr-intent-recognition.md)
* [音声通話の要約](https://docs.maiagent.ai/maiagent-user-guide/ja/serve/voicecs/call-summary.md)
* [音声通話の品質チェック](https://docs.maiagent.ai/maiagent-user-guide/ja/serve/voicecs/call-qa.md)


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.maiagent.ai/maiagent-user-guide/ja/build/agent/voice-agent.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
