なぜ音声エージェントは騒がしい通話で失敗するのか：5つの故障モードと数値

音声エージェントが騒がしい通話で失敗するのは、マイク以降のすべての段階が、音声は1人の発信者がきれいに話しているものだと仮定しているからです。 そうでない場合、音声認識、音声区間検出（VAD）、ターン制御がそれぞれ別の形で失敗し、失敗は積み重なります。

5つの故障モード

故障モード	計測値（Null Test、2026-08-14）
他の声によるSTT挿入誤り	0 dBの2人の声の190語で45件の挿入（未処理）
誤ったバージイン	10 dBの2人の声でVAD誤警報率57.8%（未処理）
誤ったターン終了	5 dBのバブル雑音でVAD誤警報率97.7%（未処理）
誤った話者のインテント	0 dBの2人の声でWER 84.74%（未処理）
電話コーデックによる劣化	A-lawでWER 7.37%、通常の電話条件では5.79%（未処理）

これらは Null Test の未処理コントロール行です。認識器 faster-whisper:base.en、Silero VAD（閾値 0.5）、10話者、190クリップ、16 kHz、2026-08-14の実行。強調処理を一切行わない場合に起きることを示しており、プールしたコントロールは14.32%のWERです。

1. 他の声によるSTT挿入誤り

認識器には「発信者」という概念がありません。同じレベルの2人目の声は単語を生み、挿入誤りとして数えられます。0 dBでは未処理音声で45件の挿入、WER 84.74%になります。2つの声が交互に混ざるためです。

2. 誤ったバージイン

エージェントはVADが反応すると話すのをやめます。10 dBの2人の声では、未処理音声のVAD誤警報率は57.8%で、周囲の人が発信者と同じくらい簡単にエージェントを遮れます。

3. 誤ったターン終了

ターン終了の判定は無音を待ちます。5 dBのバブル雑音ではVAD誤警報率が97.7%で、検出器はほぼ常に発話を聞き、無音は訪れません。ターン検出モデルは雑音で学習し直せます（Dailyはカフェやオフィスの雑音でSmart Turn v3.2を再学習したと説明しています、Dailyブログ、2026）。このモードには効きますが、他には効きません。

4. 誤った話者のインテント

文字起こしに周囲の人の言葉が含まれると、言語モデルはそれに基づいて動きます。0 dBのWER 84.74%は極端な例です。自社製品でのインテント誤り率はプロンプト次第であり、当社は計測していません。

5. 電話コーデックによる劣化

狭帯域コーデックは、あなたのコードが動く前に情報を削ります。A-lawでは未処理WERが7.37%に上がり、同じクリップをクリーンな電話経路に通した場合は5.79%です。8 kHzは音声AIが壊れる場所を参照してください。

アイソレーションで直るのか

一部は直り、すべてではありません。同じ実行で、当社のv8_2モデルは0 dBの2人の声でWERを84.74%から74.21%に、10 dBのVAD誤警報率を57.8%から44.4%に下げますが、5 dBの2人の声ではWERを26.32%から31.05%に、A-lawでは7.37%から10.53%に上げます。アイソレーションはモード1から4に一部の条件で対処しますが、モード5には対処しません。まず自社の通話で計測してください：話者分離の評価方法。

FAQ

騒がしい通話で音声エージェントが聞き間違える最も一般的な理由は何ですか？

当社のデータで最大の影響は、発信者に近いレベルの2人目の声です。0 dBでWER 84.74%、プールでは14.32%です。

ノイズキャンセリングで誤ったバージインは防げますか？

発話に対しては防げません。周囲の人の声は発話なので、VADは反応します。スピーカーアイソレーションとはを参照してください。

認識器の前に常に強調処理を入れるべきですか？

当社のデータでは、いいえです。手を加えないコントロールが、計測した出荷可能な行の中で最も低いプールWERで、当社の行はそれより上でした。