AIの電話は、留守番電話をどう見分けるのか

AIが電話をかけた相手は、人とは限りません。人が出たならすぐ用件に入りたく、留守番電話なら発信音を待って伝言を残すか、切って後でかけ直したい。次の一手が正反対になるため、発信側のAIには、つながった直後の音から「人か、録音か」を見分ける処理が要ります。この判定は留守番電話検出（AMD; Answering Machine Detection）と呼ばれています。同期型、つまり判定結果を待ってから会話を始める構成では、AIが本題を話し始める前にこの判定を済ませます。

この記事では、企業の側からAIが電話をかける業務を架電と呼びます。この判定は、精度を上げれば済む問題ではありません。誤りは2方向あって代償が違ううえ、判定を待つあいだは人を無音で待たせることになります。では、AIは何を手がかりに留守番電話を見分けているのでしょうか。誤判定すると何が起き、判定には何秒かけられるのでしょうか。この順に見ていきます。架電全体のどこにこの技術が位置するかは AIからの電話は、AIが受ける電話と何が違うのか で説明しています。

留守番電話は、何を手がかりに見分けるのか？

判定に使えるのは、電話がつながった直後に聞こえてくる音だけです。

人と留守番電話では、しゃべり方の「形」が違います。人が電話に出るときは「はい、もしもし」と短く言って、そこで黙ります。相手の反応を待つからです。留守番電話の応答メッセージは、そうはなりません。「ただいま電話に出ることができません。発信音のあとにメッセージをお話しください」のように、間を置かずに長く続きます。

この違いは、応答の中身（何を言っているか）を文字にしなくても利用できます。2026年の研究では、発話の長さや沈黙の位置といった時間のパターンだけを使い、実際の電話音声764件で通話単位96.1%の正解率を報告しています[1]。対象は英語の電話音声で、評価データはいずれも同じ実運用環境から集められています。

別の研究では、音の特徴から学習させた仕組みが96%超、無音の検出と組み合わせると98%超の精度を報告しています[2]。ただしこちらは音声を短い断片に区切って断片ごとに評価した数字で、通話1件ごとの最終判定の精度は報告されていません。評価の単位も条件も違うため、2つの研究の数字は並べて比べられません。

判定そのものの計算は、ごく軽く済みます。計算自体は約0.05秒と報告されています[1]。ただしこの方式は、その前に5秒分の応答を聞いてから計算に入ります。つまり「計算が速い」ことと「電話口ですぐ判定できる」ことは別です。相手を実際に待たせる時間を決めるのは、手がかりを集めるための聞き取り時間のほうで、あとの節であらためて見ます。

なぜ中身を理解する方式にしないのでしょうか。発話を音声認識で文字にしてから判断する方法もあります。さきほどの研究[1]は、この比較も報告しています。文字起こしの結果を手がかりに加えると、精度は96.1%から97.6%に上がりました。一方で計算時間は約0.05秒から約0.5秒に延び、その構成では画像処理用の高性能な計算装置（GPU）も必要になりました。時間のパターンだけの方法はGPUなしで動いています。この研究は、つながった直後に決めるという用途に合わせて、精度の上積みよりも軽さを取ったことになります。

誤判定すると、何が起きるのか？

どれだけ精度の高い方式でも誤りは残ります。そして残った誤りには2つの方向があり、起きることが対称ではありません。

誤りの方向	よくある後段の設計	起きること
人を、留守番電話と誤判定	機械と判定したら切る	相手が「もしもし」と言っているのに沈黙のまま切れる。無言電話として不信につながる
留守番電話を、人と誤判定	人と判定したらすぐ用件を始める	録音メッセージに向かってAIが話し始める。用件は伝わらず、通話時間だけ消費する

結果を決めるのは誤判定そのものというより、判定を受けて何をするかという後段の設計との組み合わせです。公開されている技術ドキュメントでは、このトレードオフが複数の設定項目に分かれて現れています。判定を打ち切るまでの時間を短くすれば、決めきれずに「不明」を返す通話が増えます。応答の聞き取りを短く切り上げる設定にすれば、判定は速くなるかわりに誤りが増えます。2秒ほどの短い応答メッセージを人と誤判定する例も明記されています[3]。

つまりこの判定は「精度を上げれば解決」ではなく、どちらの誤りをどれだけ許すかを選ぶ性質の問題です。96%か98%かを比べる前に、自社ではどちらの誤りが高くつくかを先に決める、という順序になります。無言電話による不信を避けたい業務なら、人を留守番電話と誤る側を減らすように倒します。伝言を確実に残したい業務なら、留守番電話の見逃しを減らす側に倒し、判定に時間をかけることを許します。決めきれなかった「不明」の通話を人の扱いにするか、切って後でかけ直すかも、この選択の一部です。

判定には、どれくらい時間をかけられるのか？

判定を長く待つほど、人が出ていた通話では無音の時間が延びます。人が電話に出て「もしもし」と言ってから、返事が来るまでに許される間は、長くありません。公式の技術資料も、同期型の判定では判定中に相手側へ数秒の無音が生じ、通話体験の悪化や切られる原因になりうると説明しています[4]。一方、判定の側は、手がかりを集めるために一定の長さの応答を聞く必要があります。この2つは正面からぶつかります。

公開されている技術ドキュメントでは、判定を打ち切るまでの上限時間を3〜59秒で設定でき、初期値は30秒です[3]。ただしこれは通常30秒待つという意味ではなく、そこまでに決まらなければ「不明」を返す上限です。初期設定での平均の判定時間は、約4秒と説明されています[4]。それでも、判定に手間取った通話ほど、人が出ていた場合の沈黙は長くなります。人を待たせたくない場合は、判定を非同期で走らせ、判定の結果を待たずに通話そのものは進める構成も選べます[3]。

待ち時間が要るのは、人が出ていた場合だけではありません。留守番電話と判定して伝言を残すなら、応答メッセージが終わって発信音が鳴るまで待つ必要があります。待たずに話し始めると、伝言の頭が切れます。技術ドキュメントによれば、この「メッセージの終わりまで待つ」動作も判定機能の一部として用意されています[3]。

どんな応答で、間違いやすいのか？

数字の土台になっている時間パターンには、前提があります。応答メッセージの形式は機種や地域で違い、前提が崩れる相手には精度が下がります。「はい、もしもし」とすぐ黙る留守番電話の挨拶や、長く名乗る人のように、人と機械の境界に近い応答は、原理的に間違えやすくなります。紹介した研究の結果は英語の通話データによるもので、日本語の電話で同じ水準になるかは確認できていません。

人だと判定できたら、次はAIが会話を主導する番です。台本がなぜ枝分かれし、想定外の返答をどうさばくのかは AIからの電話は、なぜ台本どおりに進まないのか で説明しています。

まとめ

留守番電話検出は、発話の長さや沈黙の位置といった時間のパターンから、人と録音を見分けます。ただし、人を留守番電話と誤る場合と、留守番電話を人と誤る場合では代償が異なります。精度の数字だけでなく、自社ではどちらの誤りが高くつくか、判定中の沈黙を何秒まで許すかを先に決めることが、この機能を使う設計の中心になります。

よくある質問

AIの電話は留守番電話をどうやって見分けていますか？

電話がつながった直後の音から、発話の長さや沈黙の位置といった時間のパターンを手がかりにします。人は短く名乗って黙り、留守番電話は長い応答メッセージを続ける傾向があるためです。時間パターンだけを使った研究では、通話単位96.1%の正解率が報告されています。

留守番電話の判定が間違うと何が起きますか？

人を留守番電話と誤ると、相手が話しているのに沈黙のまま切れて、無言電話として不信につながります。反対に留守番電話を人と誤ると、録音メッセージに向かってAIが用件を話し始めます。どちらの誤りを減らす側に倒すかは、業務ごとの判断になります。

判定の精度が高ければ問題ありませんか？

精度だけでは決まりません。誤りは2方向あり、どちらを許すかで設定が変わります。さらに、判定を待つあいだは人が出ていた場合の沈黙が延びるため、何秒まで待たせられるかも一緒に決める必要があります。