Googleはこのほど、Google Duplexの約10年にわたる歩みを振り返るとともに、今週GeminiアプリのTasksにDuplexを導入し、ユーザーの代わりに地域の事業者へ電話をかけて現実世界の用事を処理できるようにしたと発表した。記事はGoogleのバイスプレジデント兼Google Research担当ゼネラルマネージャーのYossi Matias氏、Google FellowのYaniv Leviathan氏、Google MapsのグループプロダクトマネージャーJanet Zhou氏による共著だ。
Duplexは2018年に発表され、AIと地域事業者の間で自然な音声会話を実現する先駆けとなった。その後、この技術は多くのGoogle製品の舞台裏で活用されてきたが、今回その機能がGeminiのTasksに直接組み込まれた。Googleは、ディナーの予約や美容院の予約といった用事には時間がかかると指摘する。ライブの電話会話は展開が速く、台本どおりに進むことはほとんどない。相手はほぼ何でも言い得るし、文の途中で考えを変えることも多い。また人は、誰が話す番かを示す微妙な口調の変化に頼っている。沈黙が0.5秒長ければ通話が切れたように聞こえ、早く話しすぎれば声が重なってしまう。AIが電話越しにこうした用事を礼儀正しくこなすには、高品質な音声理解、文脈推論、音声合成が単一の低遅延システムとして連携する必要があった。
クローズドドメインの通話からGeminiのTasksへ
Googleによると、Duplexは当初、特定のタスクに特化した狭いシステムだったが、すぐに社内の複数チームとの協力のもと、共有の会話基盤へと拡張された。新型コロナウイルスのパンデミック時には営業時間やサービス内容が急速に変化したため、Duplexは事業者情報の自動検証を強化して掲載情報の正確性を保った。このデータ源は今も重要で、Googleが2023年に明らかにしたところでは、Duplexの電話から得た事業者情報は検索とマップで1兆回以上表示されている。
同時にGoogleはAndroidおよびハードウェアのチームと連携し、これらの会話モデルを端末上に搭載した。2019年以降、関連機能は5世代連続のPixelでCall Assistとして展開され、現在もCall ScreenやHold for Meを支えている。これは迷惑電話を選別したり、保留が終わって有人対応に切り替わった際にユーザーが戻るまでAIが待ったりするものだ。2025年と2026年には、基盤モデルによってGoogle検索やAsk Mapsでのより広範なエージェント通話が可能になり、ペットのトリミングから自動車修理まで、見積もりや在庫、予約枠を確認できるようになった。
3世代の対話アーキテクチャ
Googleは、通話を支える技術スタックが3つの異なる時代を経て進化したと説明する。
第1段階は、大規模言語モデル以前のクローズドドメインモデルだ。Duplexの取り組みは現代の言語モデルより前、Transformerの発明より前から始まっていた。事業者とユーザーに良い体験を提供するため、初期のDuplexは狭い領域に限定され、匿名化されたタスク別の電話会話で独自のリカレントニューラルネットワークを訓練した。事前学習済みの世界知識がないため、モデルは各タスクを効率的に処理する方法を個別に学ぶ必要があった。実際には、レストラン予約と祝日の営業時間確認という異なる硬直した流れを理解するなど、タスクごとに大量の訓練データを用意してドメイン固有の論理を確実に扱えるようにした。
第2段階は、初期の生成モデルとハイブリッド構成だ。基盤モデルの登場に伴い、Duplexは本番環境でオープンドメインの基盤モデルを使い始めた。例えば2022年にはLaMDAをライブ通話で使用した。事前学習済みモデルは理解と常識推論を簡素化し、予期しない会話の展開や脱線に対応しつつ、レストラン予約のような文脈に根ざした動作を可能にした。ただし初期の生成モデルは今日のものより予測可能性が低く、遅いこともあったため、Googleは柔軟な言い回しを生成モデルが担い、決定論的な状態追跡と厳格なポリシーガードレールを組み合わせたハイブリッド構成を構築した。
第3段階は、無制限のタスクとGemini統合だ。基盤モデルの進歩に伴い、Googleは固定の業種という制約を完全に取り払い、自由記述のタスク説明でシステムを指示する方式に移行した。モデルはプロンプトだけでタスクを定義できるため、窓際の席やベビーカー用のスペースといった細かな要望や新しい業種にも、個別の対話モデルを一から作ることなく対応できる。現在の通話スタックはGeminiを用いてマルチモーダル理解、計画、対話生成を統合し、カレンダーの予定と調整しながら車の整備を予約するといった複数制約のある依頼を処理し、受付が別の枠を提案した場合にも適応できる。
ライブ電話における技術的課題
Googleは、最先端モデルがあっても、ライブ電話にはウェブなどの標準データセットでの事前学習だけでは解決できない課題があると強調する。
1つは、通話前と会話中の文脈に対する語用論的なグラウンディングと、現実世界の意図理解だ。ウェブには、多忙な事業者との通話がどう展開するかを捉えるのに必要なデータがすべて揃っているわけではない。10年近くにわたる目標志向の通話の経験が、通話前から語用論的な規範の把握を助ける。実際には、過去の会話の履歴に基づいて自由記述のタスクと事業者を照合し、例えば特定の店が週末に大人数の予約を受け付けないことを踏まえてタスクの成否を予測する。通話中は、ある時点で何を尋ねるのが適切か、丁寧な間接的拒否をどう読み取るか、通話を短く効果的に保つにはどうすべきかをモデルが判断する助けになる。
もう1つは、雑音の多い音響環境でのサブ秒レイテンシだ。通話は圧縮された電話回線を通り、厨房の食器の音、エスプレッソマシン、街の騒音、周囲の話し声といった騒がしい背景の中で行われる。このスタックは低遅延のストリーミング推論向けに調整され、自然な間合いで応答が返る。独自の音響モデルと会話リズムモデルが、背景雑音や沈黙の処理、話すべきでない時に止まることなどをコアAIシステムに支援する。
電話の両端のために設計
Googleは、Duplexがユーザーにとってだけでなく、電話に出る事業者にとっても同じように使いやすい必要があるとし、この原則がいくつかの設計上の選択を形作ったと説明する。
まず明確な開示だ。すべての通話は、AIエージェント、具体的にはGoogleから発信された自動システムであることを冒頭で明示する。
次に事業者が主導権を保てること。事業者はGoogleビジネスプロフィールの設定で自動通話を拒否でき、通話中に「私の店に電話するのをやめてください」と言うだけでもよい。
3つ目は設定不要・適応不要であること。Duplexは事業者がすでに応答している電話回線を通じて機能するため、ソフトウェアのインストールも予約システムの維持もスタッフの研修も不要だ。電話に出た人は、カウンターに列ができて忙しい時間帯であっても、通常の顧客と同様に対応できる。
4つ目は、1回の会話から多くの知見が得られること。ある通話で集めた詳細は後の多くの質問に答えられるため、事業者は同じことを何度も聞かれずに済む。例えばGoogleマップは、Duplexが集めたハッピーアワーの特典、テラス席、ペット同伴可否、駐車のヒント、さらには毎週のクイズナイトといった情報を表示できる。
まとめ
Googleは、日常の用事や地域サービス、急ぎのタスクの多くは、詳細を確実に調整するために今なお人と直接話す必要があると考える。Duplexの機能をGeminiアプリのTasksに統合することは、このループを閉じるための新たな一歩だ。オンラインAPIや予約フォームといった構造化されたデジタル経路が存在しない場合に、自然な音声対話がエージェントのシームレスに統合されたモダリティとなる。最新のGemini 4モデル群(Gemini 4 HydrogenやGemini 4 Neonを含む)により、Tasks in Geminiは公共料金の請求書分析、Agent Payments Protocolによる安全な取引処理、メールやRCSでのユーザーとの調整といった、より包括的なワークフローに対応できるようになった。Googleはこれらの取り組みを通じ、研究を次世代のAIアシスタントへとつなげていると述べている。記事の最後では、Duplexチームとこの10年の歩みに関わったすべてのGoogle関係者への謝辞が述べられ、Yoav Tzur氏、Sasha Goldshtein氏、Rafael Goldfarb氏、Liran Peretz氏、Ritika Pathak氏、Sen Li氏、Ran Manor氏、Dekel Auster氏らに特に感謝が寄せられている。