NTTテクノクロス株式会社は、コールセンター向けAI製品「ForeSight Voice Mining（FSVM）」の新バージョンを2024年8月30日から提供開始しています。この新バージョンでは、NTTの研究所が開発した次世代メディア処理AIを統合し、音声認識精度を大幅に向上させています。
■背景
近年、コールセンターでは音声認識技術の活用が広がり、通話内容の自動認識やモニタリング機能、生成AIによる要約生成などが導入されています。しかし、コールセンターの通話環境は常に安定しているわけではなく、顧客が周囲の雑音の中で話すことも多く、話し言葉やカジュアルな表現の認識に課題がありました。この問題を解決するため、NTTテクノクロスは、NTTが開発した次世代メディア処理AIをFSVMに統合しました。このAIは、人間の脳に近い情報処理を実現し、少ないデータ量で高い精度を実現する「End-to-End音声認識技術」を採用しています。この技術により、顧客の音声を迅速かつ正確にテキスト化でき、音声認識精度が大幅に向上しました。
コールセンターにおけるEnd-to-End音声認識技術の利用イメージ
■主な特徴
1. 音声認識精度の向上
次世代メディア処理AIとの連携により、顧客側の音声認識率が最大9％向上しました。これにより、話し言葉やくだけた表現にも対応でき、コールセンター業務の効率化が期待されます。
2. End-to-End音声認識技術
この技術により、音声データを直接テキストに変換するプロセスが一元化され、従来の音響モデルや言語モデルを組み合わせた方式よりも高精度な結果が得られます。これにより、顧客対応の質が向上し、業務の生産性向上に貢献します。
■今後の展望
NTTテクノクロスは、FSVMをさらに進化させ、通話中に得られる感情情報と音声認識結果を組み合わせて、通話内容の「見える化」を実現することを目指しています。また、生成AIとの連携を深め、より高度な機能を提供し、コールセンターの業務効率化と顧客体験（CX）の向上に寄与していく予定です。
■ForeSight Voice Mining（FSVM）とは
FSVMは、音声認識技術、感情分析技術、言語解析技術を活用したコールセンター向けのAI製品です。通話内容のテキスト化や要約、応対に応じたマニュアルの自動表示、通話のモニタリング機能を提供することで、コールセンター業務の応対力を向上させ、顧客体験の向上を実現します。2024年7月末時点で、5万6千席に導入されています。
※価格については、利用環境に応じて異なります。詳細については、NTTテクノクロスに問い合わせが必要です。
■用語解説
＜次世代メディア処理AI＞
NTTが開発したAI技術で、音声、映像、自然言語といったマルチメディアを統合して処理し、人間の脳に近い情報処理を行います。
＜End-to-End音声認識技術＞
音声データを直接テキスト化する技術。ディープラーニングを活用して、従来のモデルを組み合わせた方式よりも高い精度を実現します。
この新技術の導入により、コールセンターの音声認識の精度と応答力が大幅に向上し、顧客満足度と業務効率の両方に貢献します。
（参考）コールセンターAIプロダクト「ForeSight Voice Mining」次世代メディア処理AIとの連携により、音声認識精度のさらなる向上を実現
