AIエージェント

Google Duplex、ライブ通話に対応した統合型Geminiエージェントへ進化

Googleは10年間にわたるDuplex音声技術をGeminiアプリに統合し、統一された基盤モデルアーキテクチャを用いてAIが複雑で台本のない電話タスクを処理できるようにしました。

デジタル波形を介して回転ダイヤル式電話機に接続されているスマートフォン。
この記事用に生成されたイラスト

英語の原文から自動翻訳されました。

Googleは公式に、Google Duplexの音声技術をGeminiアプリの「Tasks(タスク)」機能に統合しました。これは、AIエージェントが現実世界の調整を行う方法における重要な進化を示しています。2026年11月20日、Google ResearchとGoogle Mapsのリーダー陣によって発表されたこのアップデートにより、パーソナルAIアシスタントがユーザーに代わって企業へライブ電話をかけることが可能になりました。これにより、Duplexはバックエンドのインフラストラクチャコンポーネントから、最新のGemini基盤モデルを支えとする直接ユーザー向けの機能へと移行します。

何が起きたか

今回の統合は、2018年のGoogle Duplex初回リリースから始まった10年間のアーキテクチャの旅路の集大成です。当初はレストランの予約など、狭く具体的なタスクを処理するために設計されていましたが、その後、さまざまなGoogle製品の中で静かに稼働してきました。パンデミック期間中、営業時間が急速に変動する中で店舗情報を検証する上で重要な役割を果たし、検索やマップに表示されるデータとして1兆回以上貢献しました。長年にわたり、その基盤モデルはPixelスマートフォンのオンデバイス機能にも適応され、Call ScreenやHold for Meなどの機能を通じて、不明な発信者への対応や待ち時間の管理を支援してきました。

2025年と2026年には、基盤モデルによりGoogle SearchおよびAsk Maps内でのより広範なエージェント型通話が可能になり、スコープはさらに拡大しました。これらのシステムは、自動車整備からペットグルーミングまで多様なカテゴリーにおいて、商品の在庫確認、サービスの見積もり、営業時間などをチェックできました。Geminiアプリでの最新リリースでは、タスクタイプに関する残りの制約が撤廃され、AIが自然な音声会話を通じてオープンエンドのリクエストを処理できるようになりました。この変化により、デジタルAPIが存在しない複雑な雑務、例えば予約の手配やスケジュールの競合を電話で直接交渉するといったことを、エージェントが調整できるようになります。

仕組み

このシステムの技術的な骨格は、3つの異なる世代を経て進化してきました。最も初期のバージョンは、匿名化されたタスク特化型の会話で訓練された、トランスフォーマー以前の再帰型ニューラルネットワーク(RNN)に依存していました。これらの閉域モデルは、ディナー予約のロジックと祝日の営業時間確認の違いを見分けるなど、各バーティカルごとに extensive な手動トレーニングが必要でした。オープンドメインの基盤モデルが登場すると、Googleは2022年頃までにハイブリッドスタックを導入し、LaMDAのような生成モデルと決定論的な状態追跡を組み合わせていました。このアプローチは柔軟性を向上させましたが、信頼性と速度を維持するためには厳格なポリシーガードレールが依然として必要でした。

現在のアーキテクチャは完全にGeminiに基づいて構築されており、マルチモーダル理解、計画、対話生成を単一のスタックに統合しています。固定されたバーティカルに依存する代わりに、システムはフリーテキストによるタスク記述を受け入れ、新しいビジネスカテゴリーや微妙なリクエストに対して個別の対話モデルを構築することなく汎化できるようになりました。例えば、カレンダー上の競合を避けて車のメンテナンスをスケジュールしたり、特定の座席配置を依頼したりするような、複数の制約があるシナリオを処理できます。この統一的なアプローチは、フロンティアモデルの推論能力を活用し、台本のない人間のやり取りをナビゲートします。

ライブテレフォニーは、ウェブベースの事前学習では対処できない独自の課題、特にレイテンシーとアコースティックノイズに関連する課題を提示します。システムはカスタムの音響および会話リズムモデルを採用し、圧縮された電話回線やキッチンからの騒音、交通渋滞などの背景ノイズに対処します。これらのモデルは1秒未満のレイテンシーを保証し、AIが丁寧な間接的な拒否を解釈し、ポーズを自然に管理し、人間の受話者に話し掛けるのを避けるようにします。実用的な接地(pragmatic grounding)も歴史的な文脈によって強化され、エージェントは特定のベンダーとの過去のやり取りに基づいて、通話開始前にタスクの実行可能性を予測するのに役立ちます。

主要な詳細

  • システムは、包括的なワークフローを支えるために、Gemini 4 HydrogenやGemini 4 Neonを含むGemini 4モデルを使用しています。
  • すべての自動通話は、GoogleのAIエージェントが話していることを明確に開示することで始まります。
  • 企業は、Google Business Profileの設定を通じてこれらの通話を受信しないようオプトアウトするか、通話中に口頭で停止を要求することができます。
  • AIは標準的な電話回線を介してやり取りするため、加盟店側でのソフトウェアインストールやスタッフ研修は不要です。
  • ハッピーアワーの特典や駐車場のヒントなど、通話中に収集された情報は、Google Mapsのリスト更新に使用されます。
  • エージェントはAgent Payments Protocolを使用して取引を安全に処理し、メールやRCSを通じて調整を行います。

なぜ重要なのか

ソフトウェアエンジニアや技術系創業者にとって、この進化は、硬直的でルールベースの自動化から、非構造化環境を処理できる柔軟なエージェント型システムへのシフトを浮き彫りにします。ライブ音声会話をナビゲートする能力は、標準的なテキストベースのLLMアプリケーションを超えた、低レイテンシーストリーミング推論や実用的な推論における難しい問題の解決を必要とします。これは、成功するAIエージェントは、人間と敬意を持ちつつ効果的にやり取りするために、深い文脈理解と堅牢なリアルタイムパフォーマンスを統合しなければならないことを示しています。

この開発はまた、取引の両端を意識した設計の重要性を強調しています。企業がコントロールを保持し、セットアップを必要としないことを保証することで、Googleは既存のワークフローを妨げない、AIインタラクションのスケーラブルなモデルを生み出しました。同様のツールを開発しているエンジニアにとって、明確な開示、オプトアウトメカニズム、相手側のゼロ適応への重点は、敏感な通信チャネルにおける自律エージェントの倫理的かつ実践的な展開のための青写真を提供します。

あなたができること

  • ハイブリッドスタックから統一基盤モデルへの移行を研究し、エージェント型システムにおけるエンジニアリングオーバーヘッドを削減する方法を理解してください。
  • 信頼を維持し、新興の規範に準拠するために、あらゆるAI音声インターフェースで明確な開示プロトコルを実装してください。
  • 人間の相手が自動インタラクションを簡単にオプトアウトまたはリダイレクトできるようなフォールバックメカニズムを設計してください。
  • アプリケーションが騒音環境でのリアルタイム音声処理に関わる場合は、低レイテンシーな音響モデリングに焦点を当ててください。
  • 実行前にタスクの実行可能性を予測し、実用的な接地を改善するために、過去のインタラクションデータを活用してください。
  • フリーテキストプロンプティングがどのように硬直的なドメイン特化型モデルを置き換え、システムの汎用性を高めるかを検討してください。
  • #google duplex
  • #gemini ai
  • #voice agents
  • #llm architecture
  • #ai ethics

Bytechapストアのツール

続きを読む

AIエージェント

AIエージェント時代におけるコードレビューの再考

Robert C. Martin氏や業界リーダーたちは、AIがより多くのソフトウェアを生成するようになった現在、エンジニアは行単位のコード読解から、意図、基準、アーキテクチャ上の決定事項のレビューへとシフトすべきだと主張しています。

すべての記事