Decagon、音声エージェントの会話を制御するAltoを発表

DecagonがAltoを発表したのは2026年11月11日で、AltoはDecagon Labsのモデルとして、デュプレックス音声エージェントの会話レイヤーを制御し、いつ話すか、何を話すかを判断する。同社によると、Altoは実際の顧客との通話で解決率を5パーセントポイント超引き上げ、平均約700ミリ秒で応答した。

Decagonによると、解決率の比較では、エージェントのほかのロジックは実質的に変更されていなかった。この結果について、発表では顧客、サンプル数、基準となる解決率、測定期間は明らかにされていない。AltoによってDecagonのモデル特化は、音声品質だけでなく会話の制御にも広がった。すなわち、すぐに回答すべきかどうかを判断し、推論モデルが処理を終えるまで、どのように通話相手とのやり取りを続けるかを決める。

答えるか、待つかの判断

従来型のカスケード方式の音声処理パイプラインでは、通話相手の発話を文字起こしし、回答を検討してから音声を生成するという順序で、各ターンを処理する。一方、Decagonのデュプレックスエージェントは、高速な会話モデルと、より高性能な推論モデルを並行して動かす。前者は聞き取りと発話を担い、後者は会話の背後で複雑な判断や処理を担うため、処理中もエージェントはやり取りを続けられる。

この並列処理では、ターンごとに判断が求められる。推論モデルを待つと会話の流れが途切れる可能性がある一方、早まって答えると、システムが確認する前に予約が変更されたと通話相手に伝えるような、未確認の内容を告げるリスクがある。つまり、小型の会話モデルによる速度の利点には信頼性の問題が伴い、デュプレックス方式だけではその問題を解決できない。

Altoは、通話相手が話した内容とエージェントのほかの処理状況を継続的に追跡し、通話記録を共有しながら、それに基づいて応答する。処理が完了したと伝える前に、確認を待つ。情報の検索やツールの呼び出し中には、ありきたりなつなぎ言葉に頼らず、次に必要な情報を尋ねたり、通話相手に状況を確認したりできる。通話相手が新たな質問をしたときに結果が届けば、Altoは質問に答えると同時に、その結果も伝えられる。

曖昧な通話に対応するためのトレーニング

Decagonは応答速度を保つため、まず小型のオープンウェイトモデルを採用し、実運用で得た知見を反映したシミュレーション通話のデータでファインチューニングした。強化学習では、会話の各時点でAltoが複数の応答候補を生成した。採点では、まず回答するか待つかをモデルが正しく判断したかを重視し、次に、表現が企業のポリシーに沿っているか、確認済みの情報を反映しているかを評価した。

Altoがすでに大半の状況に適切に対応できていると分かったため、Decagonは曖昧なケースに重点を置いてトレーニングを行った。また、シミュレーション上の企業ごとにポリシーやツールを変え、特定の企業向けの台本を暗記させるのではなく、状況を越えて応用できる判断力を身につけさせることを目指した。

Decagonによると、通話相手にモデルの応答を聞かせる前に、9,000万件を超えるシミュレーション通話でテストを実施した。その後、Altoを実運用のライブトラフィックと並行してシャドーモードで稼働させ、通話相手に実際に読み上げることなく応答を評価できるようにした。

特化した2つの音声モデル

Altoに先立ち、Voice 3とChordが2026年10月1日に発表された。Voice 3は、Chordの音声生成機能にデュプレックス方式のアーキテクチャと70を超える言語への対応を組み合わせた。ChordがDecagonのエージェントの声の特徴を形作るのに対し、Altoは会話の進め方を形作る。Decagonは以前、Chordによって解決率が単独で最大7パーセントポイント上昇したと発表している。

この2つのモデルは、音声パフォーマンスを「音声の自然さ」と「会話における判断力」という2つのトレーニング目標に分けて担う。Altoについて報告された結果は、後者の目標が顧客との通話の解決につながることを示している。一方で、中核となる運用上の制約は、依然として答えるか待つかの判断だ。会話モデルの速度を活かしつつ、自然な会話が確認済みの処理を先走らないようにしなければならない。