Strettoは、破産を検討している消費者がBankruptcy.comで記入するウェブフォームを、AI音声エージェントのTaraに置き換えました。従来のフォームでは債務額、弁護士の有無、連絡先などの限られた情報しか収集できず、リードの質が低いという課題がありました。破産弁護士は、債務、資産、車両、不動産、雇用履歴、過去の申請履歴といった詳細な財務データを含むリードをより高く評価します。しかし、フォームに項目を追加するほど離脱率が上がり、電話で聞き取るには人件費がかかりすぎるというジレンマがありました。
そこでStrettoは、電話で破産相談の聞き取りを行うAI音声エージェントの導入を決めました。エージェントは会話形式で質問を進め、リアルタイムで構造化データを抽出し、弁護士が定義したルールに基づいてリードを選別します。課題は、機密性の高い財務に関する会話を自然に、低遅延で、割り込み処理も適切に、感情にも配慮しながら、コスト効率良く実現できる音声AIソリューションを見つけることでした。
StrettoはAWS Generative AI Innovation CenterとAWSパートナーであるCI&Tと協力し、Amazon Bedrockの音声間モデルであるAmazon Nova 2 Sonicを基盤とするTaraを構築しました。Taraは電話で多段階の破産相談の聞き取りを行い、弁護士が定義したルールに基づいてリードを選別します。本記事では、アーキテクチャ、検証から本番環境への段階的な構築、機密性の高い会話に対する音声品質のテスト方法について説明します。
Taraは、電話で破産相談の聞き取りを行うAI音声エージェントです。発信者がBankruptcy.comの番号に電話をかけると、Taraが応答し、自己紹介をして、構造化された会話へと導きます。個人情報、財務詳細、資産目録、雇用履歴を収集しながら、発信者の感情状態に合わせて口調を調整します。通話終了後、Strettoのシステムが弁護士定義のルールを適用し、リードを「適格」「不適格」「追加情報が必要」に分類して弁護士のレビューに回します。
このソリューションは、Amazon Bedrockで利用可能な音声間基盤モデルであるAmazon Nova 2 Sonicを基盤としています。音声入力の処理と音声出力の生成を単一のモデルでネイティブに行い、音声認識、言語モデル、音声合成を別々に連携させる方式ではありません。このアーキテクチャにより、レイテンシが削減され、より自然な会話が実現します。これは、破産相談の聞き取りという機密性の高い性質上、どちらも重要です。Amazon Bedrock上に構築することで、Amazon Nova 2 SonicとAnthropicのClaudeの両方を1つのマネージドサービスから利用でき、モデルインフラストラクチャを運用する必要がありません。また、機密性の高い財務データを扱うワークロードにAWSのセキュリティとガバナンスの制御を導入できます。両モデルへのアクセスはAWS Identity and Access Management(IAM)で管理されます。Amazon Bedrockへのトラフィックは、VPCエンドポイント(AWS PrivateLink)を介してAWSネットワーク内に留まります。Amazon Bedrockは、プロンプトやモデル出力をモデルのトレーニングに使用しません。モデルが音声ブリッジ、データベース、Amazon CloudWatchモニタリングと同じAWS環境で実行されるため、チームは1つのツールセットでソリューション全体を保護および運用できました。Amazon Nova 2 SonicとAmazon BedrockはすべてのAWSリージョンで利用できるわけではありません。
チームがAmazon Nova 2 Sonicを以前の音声ソリューションから選んだ理由は3つあります。コスト面では、Strettoは、2026年4月時点のus-east-1におけるAmazon Bedrockのオンデマンド料金に基づき、以前のソリューションと比較して音声通話の分単位コストが95%削減されたと報告しています。レイテンシ面では、Strettoのテストで、以前のソリューションは最初の音声が出力されるまでの遅延が500ミリ秒を超え、不自然な間が生じていました。Amazon Nova 2 Sonicは低遅延を実現するように設計されており、自然な会話の流れをサポートします。割り込み処理では、ストレスのかかる状況にある発信者は、口を挟んだり、言い直したり、明確化の質問をしたりする必要があります。以前のソリューションはバージインの処理が不十分で、会話の流れが途切れることがよくありました。Amazon Nova 2 Sonicは、セッションを中断せずに割り込みを処理するように設計されています。
アーキテクチャは次のとおりです。発信者はTwilioを通じてTaraにアクセスし、AWSへのWebSocket接続が開かれます。トラフィックはAWS WAFとApplication Load Balancerを経由して、AWS Fargate上のAmazon Elastic Container Service(Amazon ECS)で実行される音声ブリッジに到達し、Amazon Nova 2 Sonic(Amazon Bedrock経由)と音声をストリーミングします。通話後、Amazon Simple Queue Service(Amazon SQS)とデッドレターキューがトランスクリプトを非同期プロセッサに渡します。プロセッサはAmazon Bedrock上のAnthropic Claude 3 Haikuを使用して構造化フィールドを抽出し、Amazon Aurora Serverless v2に永続化します。適格なリードは管轄区域ごとに弁護士にルーティングされます。サポートサービスには、NATゲートウェイ、VPCエンドポイント(AWS PrivateLink)、Amazon Elastic Container Registry(Amazon ECR)、AWS Secrets Manager、Amazon CloudWatchが含まれます。
Strettoは、Taraの聞き取りが完全に自動化されており、人間のエージェントが電話に出ることがないため、テレフォニーにTwilioを採用しました。また、既存のAWSバックエンドを維持したまま、Amazon Nova 2 Sonicと直接統合したかったためです。Twilio Media Streamsは、発信者の生音声をWebSocket経由で配信します。これは音声ブリッジが必要とする入力であり、CI&TはすでにAmazon Nova 2 Sonicと統合していました。人間のエージェント間で通話をルーティングするコンタクトセンターのワークロードでは、Amazon ConnectもAmazon Nova 2 Sonicをサポートしています。
アーキテクチャでは次のAWSサービスを使用しています。Amazon Nova 2 Sonic(Amazon Bedrock経由)は、Taraの音声会話を支える音声間基盤モデルです。音声認識と応答生成を1回のパスで処理し、聞き取り中の構造化データ収集のためのツール呼び出しをサポートします。Amazon ECS on AWS Fargateは、テレフォニーレイヤーとAmazon Nova 2 Sonicを接続する音声ブリッジコンテナを実行するサーバーレスコンピューティングエンジンです。音声ブリッジタスクは高可用性のために3つのアベイラビリティーゾーンで継続的に実行されます。Amazon Aurora Serverless v2は、Multi-AZ構成でデプロイされたPostgreSQL互換のサーバーレスリレーショナルデータベースです。発信者プロファイル、聞き取り応答、選別結果、セッションメタデータを保存します。Auroraのサーバーレススケーリングは、変動する通話量のパターンに適合します。Amazon Bedrock(Anthropic Claude 3 Haiku)は、会話トランスクリプトからの構造化データ抽出を処理します。Amazon Nova 2 Sonicがトランスクリプトを生成した後、Claude 3 Haikuが型付きフィールド(名前、金額、住所、車両詳細)をリレーショナルスキーマに抽出します。Amazon SQSとデッドレターキューは、通話後のイベントの非同期Webhook処理を管理し、失敗したメッセージを再試行のために保持します。AWS WAF、VPCエンドポイント、Application Load Balancerは、APIエンドポイントの保護、アベイラビリティーゾーン間のトラフィックルーティング、AWSサービスへのプライベート接続を提供するセキュリティおよびネットワーキングレイヤーです。
チームは段階的なアプローチを採用しました。まず音声品質を検証し、次に本番統合を構築し、実際の発信者でシステムが機能することを確認した後で質問票の範囲を拡大しました。
破産に関する会話は感情的なものです。発信者はしばしばストレスを感じ、ためらい、恥ずかしさを感じています。音声エージェントは、ロボット的や事務的ではなく、共感力があり自然に聞こえる必要があります。統合コードを書く前に、チームは1週間を費やして、いくつかの発信者シナリオに対してAmazon Nova 2 Sonicの音声品質をテストしました。検証では、発信者の感情状態(平静、ストレス、ためらい、いらだち)全体にわたる音声品質、以前のソリューションの500ミリ秒超のベースラインに対する最初の音声出力までのレイテンシのベンチマーク、バージインと割り込み処理(発信者が文中で口を挟んでも会話が壊れないか)、感情的な口調の適応(発信者が苦しんでいるように聞こえるときにエージェントがペースと口調を調整するか)をカバーしました。この検証ステップでは、各次元でAmazon Nova 2 Sonicのパフォーマンスを以前のソリューションと比較したレポートが作成されました。このレポートは、統合に進むかどうかの判断基準となりました。
音声品質が検証された後、チームは3週間でエンドツーエンドの統合を構築しました。通話の流れは次のとおりです。発信者がBankruptcy.comの番号に電話をかけると、Twilioのテレフォニーレイヤーが通話を受信し、AWS Fargate上のAmazon ECSで実行される音声ブリッジへのWebSocket接続を開きます。音声ブリッジは、発信者とAmazon Nova 2 Sonicの間で音声を双方向にストリーミングします。Taraが自己紹介をし、同意を得て、聞き取りを開始します。通話後、完全なトランスクリプトがAmazon Bedrock上のAnthropic Claude 3 Haikuを搭載した抽出パイプラインに送られ、会話からフィールドが抽出され、Amazon Auroraに保存されます。
弁護士が設計した完全な聞き取りは15〜20分かかる場合があり、これは単一のAmazon Nova 2 Sonicストリーミングセッションの最大時間よりも長くなります。チームはこのセッション時間を設計パラメータとして扱い、セッション継続パターンを実装しました。これは、セッション境界を越えて会話コンテキストを引き継ぐアプローチです。音声ブリッジは、Amazon Nova 2 Sonicとの双方向ストリームが開いている時間を追跡します。制限の少し前に、同じシステムプロンプトとツール構成で新しいストリームを開き、これまでの会話をテキスト履歴として送信します。Taraが現在の応答を終えると、ブリッジは発信者の音声を新しいストリームに切り替え、古いストリームを閉じるため、発信者にとって会話はスムーズに続きます。
初期デプロイでは、既存の13フィールドの聞き取りフォームをカバーし、ウェブフォームが収集していたのと同じデータポイントを自然な会話を通じて収集しました。これにより、範囲を拡大する前に測定するための本番ベースラインが得られました。
本番パイロットが稼働した状態で、チームは4週間かけて質問票を弁護士が設計した完全な聞き取りに拡大しました。これは大幅な範囲の拡大でした。18以上の聞き取りカテゴリと条件分岐があり、Taraが尋ねる質問は発信者の以前の回答によって異なります。複雑なリレーショナルデータ(車両ごとの年式、メーカー、モデル、融資状況、月々の支払い、不動産、個々の債務項目、複数の雇用と収入源、過去の破産申請)を扱います。弁護士定義のルールに基づくリード選別では、Strettoが各リードにルールを適用し、弁護士が最終決定を下します。音声エージェントは静的フォームよりも条件に応じた豊富なデータを収集するため、Strettoはルールを適用してリードを正確に選別する柔軟性が高まります。適格なリードは破産専門家にルーティングされ、基準を満たさない発信者は代替リソースに案内されます。Amazon Auroraスキーマは、1対多の関係をサポートする完全なリレーショナルデータモデルに拡張されました。