表現力モード
会話のコンテキストに応じて、トーン、タイミング、感情表現を調整する音声エージェントを構築できます。
概要
表現力モードでは、意図、感情、強調を反映した音声をエージェントが生成できます。ユーザーの声の調子や発言内容に合わせ、リアルタイムで調整します。この機能は、会話スタックにおける次の2つのシステムレベルの改善を基盤としています。
- Eleven v4 Turbo — ElevenAgentsで利用できる、感情理解とコンテキスト認識に最も優れたテキスト読み上げモデル。
- 新しいターンテイキングシステム — 割り込みを減らし、より正確なタイミングで応答。
エージェントのTTSモデルとしてEleven v4 Turboを選択すると、表現力モードが自動的に有効になります。
Eleven v4 Turbo
Eleven v4 TurboはEleven v4のリアルタイム版で、推論レイテンシの中央値は約100msです。ライブでの双方向対話向けに最適化されており、ターンをまたいで会話コンテキストを維持し、各やり取りのトーンや意図に合わせて話し方を調整します。
- コンテキストを考慮した話し方：会話のコンテキストに応じてトーンを調整します。たとえば、ユーザーが不安そうなときはより落ち着いて、明確さが重要なときはより直接的に応答します。
- 明示的な感情コントロール：細かなトリガーから幅広いシナリオまで、システムプロンプトのルールで話し方を導き、ブランドボイスやコンプライアンス要件に合わせられます。
- 90以上の言語をサポート：Flashモデルの約32言語から拡大しました。
- 表現タグ：LLMは
[laughs]、[whispers]、[sighs]などのタグを出力し、特定の場面での話し方を制御できます。
ElevenAgentsの料金では、すべてのプランで1分あたりの通話料金が1つだけ設定されており、TTS モデルごとの個別料金はありません。追加の通話時間は1分あたり0.08ドルで、LLMの利用料金は別途請求されます。詳細は ElevenAgentsの料金をご覧ください。
ターンテイキングシステム
新しいターンテイキングシステムは、感情的な手がかりや発話パターンを含む Scribe v2 Realtime のリアルタイムシグナルを使用して、エージェントが話す、間を置く、待つべきタイミングを判断します。特に感情が高まった状況で、より自然な応答を実現します。
たとえば、「うん」は完全な相づちの場合もあれば、そのまま話を続ける前置きの場合もあります。システムは文字起こしに加えて、発話のされ方（プロソディなどの音声的手がかり）を分析することで、より自然なタイミングでエージェントを応答させます。
ターンテイキングの動作は、ターンの積極性設定でさらに調整できます。
設定
表現力モードを有効にする
TTSモデルを選択する
エージェントのTTSモデルを Eleven v4 Turbo（eleven_v4_turbo）に設定します。このモデルでは表現力モードが自動的に有効になります。無効にするには、expressive_modeをfalseに設定してください。
ダッシュボードで更新
CLIで更新
APIで更新
- ダッシュボードでエージェントを開き、Voices の下にある音声を選択して Agent voice パネルを開きます。
- TTS model family で V4 Turbo を選択します。Expressive mode トグルがオンになり、その下の Suggested audio tags にエージェントが使用できるタグが表示されます。
- Publish をクリックして変更を保存します。
システムプロンプトの例
システムプロンプト内の自然言語による指示で、エージェントの感情表現を導きます。モデルはこれらをコンテキストに応じて解釈するため、すべての状況で明示的なタグは必要ありません。
大まかなガイダンス
具体的なトリガー
表現タグを使用する
コンテキストを考慮した話し方に加えて、LLMは明示的なタグを出力して特定の場面を制御できます。一般的なタグは次のとおりです。
[laughs]— 発話に笑いを加えます[whispers]— ささやくように音量を下げます[sighs]— ため息のようなニュアンスを加えます[slow]— 発話速度を遅くします[excited]— 話し方に興奮した雰囲気を加えます
各タグは、通常の話し方に戻るまで、続く約4〜5語の発話に影響します。
ベストプラクティス
状況に合わせた話し方にする
エージェントが状況に合った感情表現をするように導いてください。不満を抱えた顧客には、落ち着いた共感的な応答が必要です。良い知らせを伝えるユーザーには、心からの温かみを感じさせる応答が適しています。トーンが状況と合わないと、信頼を損ないます。
一貫性のためにシステムプロンプトのルールを使用する
モデルの判断だけに頼るのではなく、システムプロンプトで明確なトーンのガイドラインを定義してください。ブランドボイスとコンプライアンス要件に沿った、一貫性のある話し方を実現できます。
言語ごとにテストする
表現力のある話し方は、言語によって異なる場合があります。特に会話の慣習が異なる言語では、意図した感情のニュアンスが伝わることを確認するため、対象とする各言語でエージェントをテストしてください。
ターンの積極性設定と組み合わせる
表現力モードは、適切なターンの積極性設定と組み合わせてください。辛抱強いモードは感情的に繊細な会話でユーザーにより多くの間を与え、積極的なモードはテンポの速いやり取りに適しています。
モニタリングと改善を行う
会話分析を使用して、ユーザーが表現力のある話し方にどう反応するかを追跡してください。会話の結果とユーザーフィードバックに基づき、トーンのガイドラインを改善します。
制限事項
- 表現タグの効果は、通常の話し方に戻るまで約4〜5語続きます。
- 表現力は音声や言語によって異なる場合があります。
よくある質問
表現力モードの料金は高くなりますか？
いいえ。ElevenAgentsの料金では、すべてのプランで1分あたりの通話料金が1つだけ設定されており、表現力モードやTTSモデルごとの個別料金はありません。追加の通話時間は1分あたり0.08ドルで、LLMの利用料金は別途請求されます。詳細はElevenAgentsの料金をご覧ください。
表現力モードを有効にするにはどうすればよいですか？
Agent voice パネルで、TTS model family の V4 Turbo を選択します。このモデルでは表現力モードが自動的に有効になります。無効にするには、Expressive mode トグルをオフにするか、APIまたはCLIでconversation_config.tts.expressive_modeをfalseに設定してください。
ターンテイキングシステムはどのように機能しますか？
このシステムは、感情的な手がかりや発話パターンを含むScribe v2 Realtimeのリアルタイムシグナルを使用し、エージェントが応答すべきタイミングを予測します。文字起こしと、単語がどのように発話されたか（プロソディ）の両方を分析して、自然なタイミングで応答します。
プロフェッショナルボイスクローンで表現力モードを使用できますか？
Eleven v4 Turboは何言語をサポートしていますか？
Eleven v4 Turboは90以上の言語をサポートしており、Flashモデルの約32言語から拡大しました。
ElevenAgentsの他のTTSモデルと比べてどうですか？
Eleven v4 TurboはFlashおよびMultilingual v2よりも幅広い感情表現を提供し、会話のコンテキストに応じて話し方を調整できます。Flashの約32言語に対し、90以上の言語をサポートしています。