報道発表資料

別紙1 高EQな音声対話を実現する評価指針と共通設計図の概要

1. 概要

   「AI EQ+1 Framework」は、AIが相手や場に配慮して「どう振る舞ったか」を評価する指針、「EQリファレンスアーキテクチャ」は対話型AIにEQの要素を組み込む際に、「どのプロセスで実現するか」を定める共通設計図です。たとえば、「EQガードレール」で安全性・誠実性（第2層）を評価し、「EQ入力」「EQコントローラ」「EQ出力」で体験の質（第3層）を評価した上で、「EQ自律改善」が各層の観点で対話の結果を採点して改善案を作ります。これにより、評価結果から改善すべき部分が分かり、AIの中核を作り直すことなく、素早く改善できます。

   

2. 「AI EQ+1 Framework」

   AIが相手や場に配慮して「どう振る舞ったか」を評価する指針で、タスク解決を目的とせず正解が一つに定まらない雑談や相談の場面でも、対話型AIの対応を評価できます。本指針は、①基本性能（応答速度など）、②安全性・誠実性（合否で判定）、③体験の質（相手への寄り添い、場への適応、キャラクタの一貫性）、④利用による成果（愛着や継続利用）の4つの層で構成しています。
   特に③体験の質の評価においては、相手への寄り添いと場への適応に加えて、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の一貫性というドコモ独自の軸を設けています。周囲の「場」への配慮から、会話を重ねて得た記憶の正確さや活かし方といった関係性の積み重ねまで評価できます。

3. 「EQリファレンスアーキテクチャ」

   AIの中核となる大規模言語モデル（LLM）の外側に、状況を読み取る「EQ入力」、振る舞いを判断する「EQコントローラ」、応答時に口調や声で表現する「EQ出力」、不適切な応答を防ぐ「EQガードレール」、評価をもとに応答の質を高め続ける「EQ自律改善」を配置した設計図です。AIの中核であるLLMを作り直すことなく、場面に合わせて迅速に対応を改善できます。

   

別紙2 高EQな対話を実現する4つの要素技術

1. 概要

   高EQな対話に必要な機能を整理した共通設計図である「EQリファレンスアーキテクチャ」を、実際の音声対話で実現させるためには、具体的な技術が必要です。ドコモは、「EQリファレンスアーキテクチャ」における「EQ入力」「EQ出力」「EQガードレール」「EQ自律改善」で利用可能な4つの要素技術を開発しました。
   これらの要素技術を組み込むことにより、専門知識がなくても、ユーザの状況に配慮して自然なテンポで応答できる、安心・安全で高EQな音声対話型AIを迅速に構築可能です。

2. 4つの要素技術の内容

   1. ユーザ状態の判断ルールを自動作成する技術
      ユーザの状態を読み取るには、表情や声のトーン、話の内容をどう解釈するかを決めたルールが必要で、従来は専門家が個別に作り込んでいました。本技術では、「相手が戸惑っているようなら、ゆっくり分かりやすく言い直してほしい」など、開発者が普段の言葉で書いた指示から、ユーザの状態の判断ルールをLLMが自動で作成できるため、専門的なプログラミングを行うことなく高EQな対話型AIを構築可能です。なお、各種エンジンにはNTT株式会社（以下、NTT）の技術を活用しており、音声認識には「VoiceOmnia^®※1」、表情や声のトーンの認識などには、「MediaGnosis^®※2」を搭載したNTTテクノクロス株式会社のAPIサーバ「SpeechRec^®※3」を採用しています。

      

   2. 会話の不自然な「間」をなくすレスポンス高速化技術
      LLMを用いた音声対話では、応答の文章を生成してから音声に変換するため、ユーザが話し終えてからAIが話し始めるまでに沈黙が生じます。本技術では、ユーザが話している間からユーザの様子に合わせて応答の準備を進めておくことで、沈黙をほとんど挟まずに自然なテンポで応答できます。なお、音声合成にはNTTの音声合成技術を活用しています。また、LLMによる処理には、NTT版大規模言語モデル「tsuzumi^®※4」を活用しています。

      

   3. 安全と共感を両立するEQガードレール技術
      AIはユーザに寄り添うほど、ユーザの要求に同調しやすくなる傾向があります。また、控えてほしい話題は人によって異なるため、話題を一律に禁止する方法では、ユーザが話したいことを話すことができません。本技術は、音声対話の場面やユーザの状況に合わせて応答を適切に保つことで、寄り添いと安全性の両立を図ります。

      

   4. 使えば使うほど対話品質を高めるEQ自律改善技術
      あらかじめ設定した応答ルールだけでは期待どおりの配慮を提供しきれない場合があり、サービスごとに求められる配慮も異なるため、対話型AIの運用においては手動での評価・調整を続ける必要があるという課題がありました。本技術では、蓄積された対話ログを継続的な改善に活用することで、サービスごとに求められる配慮に沿って応答の質を高めることができます。

      

1. 「VoiceOmnia」は、NTTが開発した音声処理技術です。
2. 「MediaGnosis」は、NTTが開発したマルチモーダルメディア処理AI技術です。（https://www.rd.ntt/mediagnosis/）
3. 「SpeechRec」は、NTTテクノクロスが開発したマルチメディアAI処理APIサーバで、MediaGnosisを搭載しています。
   （https://www.ntt-tx.co.jp/products/speechrec/）
4. 「tsuzumi」は、NTTが開発した日本語性能が高い大規模言語モデルです。
   （https://www.rd.ntt/research/LLM_tsuzumi.html）

1. 「VoiceOmnia^®」「MediaGnosis^®」「tsuzumi^®」はNTT株式会社の登録商標です。
2. 「SpeechRec^®」はNTTテクノクロス株式会社の登録商標です。

別紙3 高EQな対話の効果を確認した実証実験の概要

1. 概要

   「AI EQ+1 Framework」に基づき、EQの要素を取り入れた対話型AI（以下、EQあり）と、EQの要素を取り入れていない対話型AI（以下、EQなし）を比較し、ユーザの対話行動や心理面、継続利用意向に関する評価にどのような違いが出るかを確認するため、約20名の成人を対象に2種類の実証実験を実施しました。

   • いずれの実験も、参加者の同意を得たうえで、個人が特定されない統計データのみを用いています。

2. 実証実験の詳細

   1. 実験1：初対面・単発の体験におけるEQの有無の比較
      実験参加者が1回数分間の音声対話をEQあり・EQなしの両方で体験したところ、EQありでは、AIの発話が短めにもかかわらず参加者の発話量が1回あたり約58字から約83字へ約1.4倍に増え、自分のことを自発的に話す傾向が見られました。また、体験直後のアンケートでは、4つの観点（受け止め・また話したい・会話の自然さ・会話の楽しさ）のすべてにおいてEQありの方が「より良かった」と回答した人が多く、特に「受け止め（共感）」においては14名がEQありの方がより良かったと回答しました。

      

   2. 実験2：10日間の継続利用に伴う評価の推移
      実験参加者をEQあり・EQなしの2グループに分け、1日1回5～10分の日記形式の音声対話を10日間続け、1日目・5日目・10日目に同じアンケート（5段階評価）を実施しました。EQありでは「また話したい」「受け止めてもらえた」など親しみや受容の評価が利用を重ねるにつれて上昇する一方で、EQなしでは「また話したい」の評価が低下し、10日目にはEQありの評価がEQなしを上回りました。

      

• 本実証実験の詳細な設計および結果は、「AI EQ+1 Framework Whitepaper v1.0」のAppendixをご参照ください。
  https://www.docomo.ne.jp/corporate/technology/whitepaper_aieq/