/agents → エージェント → 音声パイプライン。4 つの操作要素: パイプライン、プロバイダー、モデル、そして音声です。
大半の人は、具体的な問題が起きるまでここを触らないべきです。このページは、 具体的な問題が起きたときのためのものです。ここにある設定はすべて、Octo に 頼んで変えることもできます。通常はそちらが安全です — 理由は最後の制約に あります。
三つのパイプライン
どれも、人間相手でも対話式の電話メニュー相手でも、通話全体をさばきます。 違いはコスト、検査のしやすさ、そして声の自然さです。
| パイプライン | 内容 | 適する場面 |
|---|---|---|
| Standard (STT + LLM + TTS) | 音声認識 → 言語モデル → 音声合成 | 既定。最も安く、各段階が記録を残すため検査も容易。通話量が多い場合に最適。 |
| OpenAI Realtime | 一つのモデル、ネイティブ音声 | 組織がすでに OpenAI に統一されているなら理にかなう。 |
| Gemini Live | 一つのモデル、ネイティブ音声 | 三つの中で最もすっきりしたリアルタイム構成で、最も自然に聞こえる。 |
重要な分かれ目は 標準かリアルタイムか であって、ベンダーではありません。 標準パイプラインは、文字起こしをし、考え、それから話します — それぞれ差し替え 可能な三段階です。リアルタイムパイプラインは聞くことと答えることが一体で、 だから割り込みや立て直しが人間に近いのです。
モデル
パイプラインごとにモデルの系統が決まっていて、系統違いのモデルは黙って置き 換えられるのではなく、拒否されます。
標準では、小さく速いモデルが推奨の既定です — 安く、普通の受付はさばけます。 より大きなモデルもあり、エージェントが聞き間違えるときには出番ですが、既定では ありません。
リアルタイム系では、現行の推奨モデルを使ってください。旧モデルも互換性のため 受け付けられますが、そのうち少なくとも一つは電話メニューの扱いが目に見えて 悪いです。リアルタイムパイプラインを名前で頼むなら、モデルも現行のものを一緒に 頼んでください。
この選択が水面下で変える四つのこと
これらはエラーではなく、わかりにくい結果として現れます。
パイプラインを変えても音声は付いてきません。 リアルタイム系には内蔵音声が あります — OpenAI では Alloy、Ash、Coral、Marin、Cedar; Gemini ではまた別の組まわせです。標準はお使いの音声合成プロバイダーのカタログを 使い、“elevenlabs.io で音声をプレビューできます。” と案内されます。切り替えると、 前のものを含まないリストからまた選び直すことになります。
音声は、音を生み出すものに所属します。 プロバイダーの違う音声はその場で 拒否されます。同じ事実の裏返しで、二つの質問が必ず一緒に来る理由です。
STT と TTS の選択は標準にしかありません。 プロバイダー の操作要素は標準 では意味を持ちますが、リアルタイムではほとんど現れません — 設定すべき文字起こし 段階が存在しないからです。
受け付けられるプロバイダーすべてが動くとは限りません。 一番鋭い角です。 いくつかの組み合わせは検証を通って問題なく保存できるのに、実際に通話をかける と失敗します — 見つかるタイミングとしては最悪です。Octo はそうした組み合わせから あなたを遠ざけるように導きます。これが、設定を直接いじるのではなく頼んで 変えるべき最大の理由です。
電話メニューをさばけないとき
エージェントが違う番号を押す、ちょうど出た人の上から話す — そんなときは当てずに、 梯子を一段ずつ登ってください:
- 同じパイプラインで、より大きなモデル。 これだけで直ることも多く、試す コストは最小です。
- それでも標準が苦しいなら、Gemini Live へ。 ネイティブの音声理解は、 続けざまのメニューを、文字起こしてその文面を読むよりうまく扱えます — 必要なタイミング情報が失われるのは文字起こしの段階です。
- その対価を知っておく。 リアルタイム系は入力 と 出力の音声秒数で課金 されるため、長い通話では標準より高くつきます。確実に突破すべきメニューには 値します。人の話が大半の通話の既定にする値打ちはありません。
発信キャンペーンには、コンポーザーに対応する項目があります — 電話メニュー（IVR） で、宛先の隣にあります。メニューを突破する相手かどうかは、 ダイヤル設定ではなく 誰に電話しているか の事実だからです。
カスタム音声やクローン音声
標準のリストにない音声 ID も、標準パイプラインでは問題ありません。設定済みの 音声合成プロバイダーに属している限りは。上のプロバイダーのルールはここでも 効きます — 唯一、例外のないルールです。
どこから始めるか
エージェントが作られたときの設定から始め、名義の立てられる理由でのみ変えて ください。「少し聞こえが良い」は理由になりません。「発信者の話に被る」「うちの 通りの名前を聞き取れない」は理由になります。
変更は電話で確かめる
/agents の マイクテストを開始 は速いループで、声の印象はわかります。ただし 電話の経路を通したパイプラインの動作まではわかりません。理由は “WebRTCはブラウザでのテストに使用できます。電話経由の場合は番号が必要です。”
パイプラインを変えたら、一度、実際の電話から番号に発信してください。検証を通った のにダイヤルしなかったプロバイダーを捕まえるのが、この一手です。