ドコモ、声色から気持ちを察して話す音声対話技術を開発　発話量は1.4倍に

株式会社NTTドコモは2026年10月26日、利用者の状況や文脈に配慮し、高い共感力で安心感のある音声対話を実現する「高EQな音声対話技術」を確立したと発表した。AIに感情指数の要素を付加する評価指針「AI EQ+1 Framework」および共通設計図「EQリファレンスアーキテクチャ」を策定したほか、対話を実現する4つの要素技術を開発した。

従来の対話型AIは、応答の正確さや速度といった知能指数（IQ）がもたらす機能的価値を中心に進化してきた。一方で、共感や状況への配慮といった情緒的価値を実現・評価する方法が確立されておらず、機械的な応答や不適切な迎合が生じる課題があった。今回の技術は、既存のAIモデル本体を作り直すことなく付加することで、声色や話の内容から相手の状況を察した対話を実現する。

評価指針である「AI EQ+1 Framework」は、基本性能、安全性・誠実性、体験の質、利用による成果という4つの層でAIの振る舞いを評価する。体験の質では、相手への寄り添いや場への適応に加え、場面や機器が変わっても同じ相手であり続けるキャラクターの一貫性を評価軸に設けた。共通設計図の「EQリファレンスアーキテクチャ」は、大規模言語モデルの外側に状況認識や振る舞い判断、応答表現、不適切な応答の防止、自律改善の各機能を配置し、評価結果から改善点を明確にして迅速な修正を可能にする。

ドコモは設計図を具現化する4つの要素技術も開発した。開発者が日常の言葉で書いた指示から状況判断ルールを自動作成する技術、話している最中から応答準備を進めて不自然な沈黙を解消する技術、場面や状況に応じて寄り添いと安全性を両立させる技術、対話ログを活用して継続的に質を向上させる技術で構成される。基盤となる技術には、NTTの大規模言語モデル「tsuzumi」や音声認識「VoiceOmnia」、NTTテクノクロスの「SpeechRec」などを活用している。

2026年8月から10月にかけて成人約40名を対象に実施した実証実験では、EQ要素を取り入れた対話型AIにおいて、利用者の発話量が1回あたり約58字から約83字へと約1.4倍に増加した。また、10日間の対話実験でも利用を重ねるにつれて親しみや受容の評価が上昇し、継続利用の意向が高まる傾向が確認された。

同社は指針や実験の詳細をまとめたホワイトペーパーを同日公開した。今後は自社サービスへの適用やパートナーとの共創を通じ、カスタマーサポートや介護、教育、エンターテインメント分野での社会実装を進める。また、2026年11月18日から開催される「NTT R&D FORUM 2026」で本技術を出展する予定だ。