テクノロジー
温かい通話を支える
インフラストラクチャ
独自の音声AIパイプラインとリアルタイムデータベースがSub-500msのエンドツーエンドレイテンシで連携し、高齢のご家族が感じるのはただひとつ、途切れのない自然な会話です。
パイプライン仕様
垂直統合型音声AIスタックが本番環境で達成するレイテンシと稼働率の指標です。言語数・音声数はパイプラインに統合された音声プロバイダーのカバレッジです。
Sub-500ms エンドツーエンドレイテンシ
音声キャプチャから音声応答まで、会話・分析・アラートが同時に動作しながらも、一貫してSub-500msのエンドツーエンドレイテンシを維持します。高齢のご家族が体験するのは、途切れのない自然な会話だけです。
90言語以上のSTT対応（プロバイダー）
パイプラインに統合された音声認識プロバイダーが90以上の言語を約80msのレイテンシで処理します。予測的文字起こしにより、発話が終わる前にテキストを生成します。
5,000種類以上のTTS音声（プロバイダー）
パイプラインに統合された音声合成プロバイダーが5,000種類を超える多言語音声を約75msの推論レイテンシで合成します。ストリーミング応答により、最初の音声バイトを即座に届けます。
99.9% 稼働率SLA
99.9%稼働率SLAで運用されるインフラが、毎日の安否確認の電話を確実に支えます。リアルタイムモニタリングと自動フォールバックで安定性を保証します。
音声が応答になるまで、3つのステップ
音声認識・合成・自然なターンテイキング・発話検出モデルを同一インフラ上で動作させるCo-locatedモデルアーキテクチャが、このフローをひとつのリズムにまとめます。
- 1
聴く — キャプチャ & 認識
暗号化されたリアルタイム音声をキャプチャし、独自VADが発話の開始・終了を検出して、約80ms STTが発話中にリアルタイムで文字起こしします。
- 2
理解する — コンテキスト & 推論
リアルタイムDBから会話履歴・気分・服薬サポート情報を20ms未満で注入し、ストリーミングLLMが約150ms以内に最初のトークンを生成します。
- 3
応答する — 合成 & ストリーミング
約75ms TTSが音声を合成してリアルタイムにストリーミングし、全体のループが一貫してSub-500ms以内に完結します。
何が違うのですか？
複数のAPIを組み合わせた一般的な音声ボットや旧来のIVRとは異なり、WelVoiceは音声スタックとデータを一つのインフラに統合しています。
| WelVoice | 一般的な音声ボット | 旧来のIVR | |
|---|---|---|---|
| Sub-500ms エンドツーエンドレイテンシ | 対応 | 非対応 | 非対応 |
| Co-locatedモデルアーキテクチャ | 対応 | 非対応 | 非対応 |
| リアルタイムDBコンテキスト注入 | 対応 | 非対応 | 非対応 |
| 独自VAD・自然なターンテイキング | 対応 | 非対応 | 非対応 |
| 90言語以上のリアルタイムSTT | 対応 | 対応 | 非対応 |
| 99.9% 稼働率SLA | 対応 | 非対応 | 非対応 |