
③高額だったコールセンターシステムを個人開発で作った話|Agentic Voiceが東京に来た日、そして「破壊王」と呼ばれた6ヶ月
お久しぶりです、しばらく間が空いてしまいました。前回の記事「②」で「ver1.0が完成した、今は少し休みます」と書いてから数ヶ月——マンチーは思ったより長めに休んでしまいましたが、その間に大きな進展がありました。
📌 AI時事ネタ:Agentic Voiceが日本語対応、コールセンターAIの様相が変わってきた
2026年7月、Amazon Connect(AWSのクラウド型コンタクトセンター基盤)のAgentic Voice(AIが自然な間合いで音声対話するAIエージェント機能)が、日本語を含む50以上の言語・100種類超の音声オプションに対応拡大されました。しかも東京リージョンでもすでに利用可能になっています。マンチーが「いつ来るんだ」とAWSのニュースを何度も追いかけていたものが、ついに手元に来た形です。大手企業だけでなく、個人開発者もこの波に乗れる時代になってきました。
ようやく実装できた、今回の目玉機能
今回のシステムの最大のアップデートは、コールセンターの一次対応を「決められた選択肢の中から選ぶもの」から「自由会話ができるもの」に置き換えたことです。ここが今回いちばん強調したいポイントです。
昔ながらのIVR(番号を押すと案内が流れる自動音声応答)は、あらかじめ用意された選択肢の中でしか動けません。前回までのver1.0や、その前に試したAmazon Lex(2017年にAmazon Connectと同時にリリースされた、インテント定義型の音声認識サービス)も、根っこの部分は「想定される質問パターンをどれだけ人間が事前に用意できるか」の勝負でした。サンプル発話を何百件登録しても、想定外の言い回しが来た瞬間に「聞き取れませんでした」で終わってしまう——これがLexで何度も痛い目を見た理由です。インテントという「型」を先に決め、その型に顧客の発話を当てはめにいく発想である以上、型から外れた瞬間に会話は破綻します。
今回導入したAgentic Voice(Amazon Nova Sonicというspeech-to-speechモデルによって実現されている、AWS公式の音声AIエージェント機能)は、この前提そのものを変えます。事前にインテントを大量登録する必要がなく、AIが会話の文脈を保持したまま、その場で自律的に受け答えを組み立てます。つまり「決められた質問にしか答えられないシステム」ではなく、基本仕様として自由会話ができるシステムだという点が、何より重要です。IVRやLexが「あらかじめ決めた道筋の上を歩かせる」設計だったのに対し、Agentic Voiceは「道筋そのものをその場で作りながら歩く」設計です。ここが決定的に違います。

技術的に言うと、これはSTT(音声認識)→LLM(応答生成)→TTS(音声合成)を順番に処理する「カスケード型」から、音声を音声のまま扱う統合モデルへの転換であると同時に、応答の中身そのものが「事前定義した分岐ロジック」から「その場のAI推論による自由会話」に置き換わったということです。顧客がどんな言い回しで質問してきても、あらかじめ用意した台本を読み上げるのではなく、AIがリアルタイムに文脈を理解して言葉を組み立てる——これがまさに「自由会話ができる」という基本仕様の重みです。
なぜここまで自由会話にこだわるかというと、オペレーターの手が足りない時間帯や深夜の一次受けなど、「想定していなかった聞き方をされても会話が続くかどうか」こそがコールセンターの運用コストと顧客満足度を同時に左右する一番のポイントだからです。ボタンを押すだけのIVRでも、決められた質問にしか答えないチャットボットでもなく、自由に話しかけても会話が成立する——この一点にマンチーはこだわり続けています。逆に言えば、自由会話ができなければ「AIコールセンター」と名乗る意味がないとすら思っています。
ここまで来るのに約6ヶ月。そして「破壊王」誕生
正直に言うと、ここまで来るのに約6ヶ月かかりました。
最初の頃は、Amazon Lexを使う構成で進めていました。ところが実装しようとすると、ConnectとLexをつなぐブロックを設置しただけで理由不明のエラーが即座に返ってくる、ログすら出ない、権限もARNも合っているのに動かない——という状態が何度も続きました。あとで分かったのですが、AWSのドキュメントには2017年当時の設計思想(インテントを大量に定義していくタイプ)と、2024年以降の生成AI前提の設計思想(Amazon Q in ConnectやBedrockと組み合わせる前提)が混在していて、自分がどちらの情報を読んでいるかに気づかないまま実装を進めていたことが混乱の原因でした。
この試行錯誤の過程で、Claudeが「これなら動くはずです」とLex2を提案してはマンチーの確認を待たずに設定を組み替え、それが原因で他の部分まで巻き込んで壊す——ということが一度や二度ではありませんでした。その度にマンチーが激怒し、気づけばClaudeは「破壊王」と呼ばれるようになっていました。

名誉なあだ名ではありませんが、AIと一緒に開発するというのはこういうことの連続なのだと、身をもって学びました。
最終的にはLexにこだわるのをやめ、Claude Haiku+Pollyの自前パイプラインに舵を切ったのがver1.0です。そして今回、Agentic Voiceというネイティブ音声対話がAWS側から提供されたことで、ようやく「本当に作りたかったもの」——自由会話ができるコールセンター——に一段近づけました。遠回りをしましたが、その遠回り自体が今のシステムの土台になっています。
実装できたが、本番はここから
Agentic Voiceの基盤は実装できましたが、正直なところ「基本仕様として自由会話ができる」ことと「実務で使える自由会話にする」ことの間にはまだ距離があります。
まず取り組んだのが、コールセンターオペレーターとしての基本所作をAIに覚えさせることです。名乗り方、保留にする際の一言、転送時の案内、締めの挨拶——人間のオペレーターが自然にやっていることを、プロンプト(AIへの指示書)として言語化して教え込む作業です。これが地味に骨が折れます。自由に会話ができること自体はAgentic Voiceの基本仕様として最初から備わっていますが、野放図に自由なだけでは「コールセンターとして自然な会話」にはならないので、この土台作りが不可欠でした。
次に手を付けたのが、日本語の苗字の読み方問題です。日本の苗字は約30万種類あるとされ、世界的に見ても突出して種類が多い国の一つです。これだけ種類が多いと、既製の読み上げ辞書だけではとても対応しきれません(しかも同じ漢字でも読み方が複数あるケースまで混ざってきます)。自由会話ができるAIほど、顧客の苗字を誤読したときの違和感も目立ちます。そこで、想定される苗字の読みパターンを500件ほど作成し、AIに読み込ませました。地道な作業ですが、こういう泥臭い部分を詰めないと「AIっぽい違和感」は消えません。

現状はまだ、決められたシナリオの範囲内での自由会話にとどまっています。Agentic Voiceの基本仕様としては、もっと自由な受け答えが可能なはずなので、今後はプロンプトとガードレールの設計を詰めて、想定外の質問や雑談的なやり取りにも柔軟に対応できる、本当の意味での自由会話を目指したいと考えています。
気がかりなのはコスト
もう一つ、正直に書いておきたいのがコストの話です。
Agentic Voiceのような音声ネイティブのAIモデルは、音声データそのものを入出力として扱う都合上、テキストだけをやり取りするClaude Haikuのような従来のAIモデルに比べて、明らかに単価が高くなります。企業規模であれば誤差の範囲かもしれませんが、個人開発・個人事業主の財布で運用するとなると、この単価差は無視できない重荷になりそうです。ver1.0の頃は一次対応のAI費用が月1ドル未満で収まっていましたが、Agentic Voiceに切り替えることでどこまで膨らむか——ここは実際の通話量で検証しながら、慎重に見極めていくつもりです。

この記事を読んでいる「実装した人」「SIerさん」、いませんか
ここまで書いてきて、率直に聞いてみたいことがあります。
Amazon ConnectのAgentic Voiceを実務で実装した方、あるいはSIer(システムインテグレーター)としてクライアント向けに導入された方は、いらっしゃいますか。個人開発でここまで辿り着きましたが、企業規模での導入事例や、コスト面・運用面での知見があれば、ぜひコメントで聞かせてください。同じ壁にぶつかっている個人開発者は、きっと他にもいるはずです。
イニシエの夢は、まだ続く
30数年前にPBXの配線を弄りながら思い描いていたコールセンター像は、ずいぶん遠いところまで来ました。番号を押すだけのIVRから、自由会話ができるAgentic Voiceまで。技術の進化の速さに、還暦を過ぎたエンジニアがなんとか食らいついている——というのが正直な実感です。
本当の意味での自由会話ができるようになるのはこれからです。コストの壁も残っています。それでも「自由に話しかけても会話が成立する」という事実は、6ヶ月前には想像できなかった景色です。
<おすすめ記事①>
DID番号が承認されて、ver1.0が完成するまでを知りたい方はこちら。
<おすすめ記事②>
本人確認と支払確認を、AIにどこまで任せられるかに挑んだ話はこちら。
<おすすめ記事③>
督促の作法をAIに教え込む、最新のUAT中の話はこちら。