音声AIエージェントとは｜フルデュプレックスと録音告知の誤解

店に電話をかけたら、応対したのがAIだった。

そんな場面が、実験ではなく日常の側に移りつつあります。2026年9月10日、OpenAIは音声モデル「GPT-Live-1」をAPIで公開しました。電話での利用にも対応し、予約受付やカスタマーサポートを音声AIエージェントに任せる構成を作れるようになっています。

ここで出てくるのが「フルデュプレックス」という耳慣れない言葉です。

そして業務で使おうとすると、「電話を録音するなら必ず告知しなければならないのか」「AIだと名乗る必要はあるのか」といった制度上の疑問も出てきます。

調べてみると、技術についても法律についても、似た話が少しずつ混ざったまま語られていることが分かります。この記事では、仕組みの話と制度の話を分けて整理します。

音声AIエージェントとは何か

音声AIエージェントとは、音声で人と会話しながら、必要に応じて予約システムや顧客管理システムなどの外部ツールも使って処理を進めるAIのことです。

従来の自動音声応答と並べると、違いがはっきりします。

従来の自動音声応答：決められた案内を読み上げ、番号入力などで処理を分岐する
音声AIエージェント：自然な話し言葉を受け取り、意図を解釈し、必要に応じて外部システムまで操作する

従来型の音声AIでは、音声認識（Speech-to-Text）→ 言語モデル → 音声合成（Text-to-Speech）という複数の処理をつなぐ構成が広く使われてきました。

OpenAIは、この構成では処理の受け渡しごとに遅延が生じ、会話のタイミングや文脈を失う機会も増えると説明しています。

相手が話し終わったと判断してから文字にし、モデルが回答を作り、それを音声に戻す。この仕組みが、音声AI特有の「一呼吸遅れる感じ」の一因でした。

フルデュプレックス（同時双方向）とは

フルデュプレックス（full-duplex）は、双方が同時に送受信できる通信方式を表す言葉です。

対になるのがハーフデュプレックスで、トランシーバーのように、片方が送信している間はもう片方が送信できない方式を指します。

ここで少しややこしいのは、電話回線そのものは以前からフルデュプレックスだという点です。人間同士の電話なら、相手が話している途中でも「はい」「なるほど」と相づちを打てますし、言葉を重ねることもできます。

GPT-Live-1で特徴的なのは、音声を聞く処理と話す処理を、一つのモデルが同時に扱うことです。回線だけでなく、AI側も従来の順番待ち型の会話から離れやすくなっています。

	従来型のターン制	フルデュプレックス型
話す順番	相手の発話終了を判断してから応答する	相手の発話中も音声を処理できる
割り込み	応答の途中で話すと処理が不自然になりやすい	途中の訂正や割り込みを扱いやすい
沈黙	発話終了と判定されると応答を始める	自然な間を維持しやすい
相づち	新しい発話として扱われることがある	短い相づちを含む会話を処理しやすい

AIに話しかけながら少し考えて黙ったら、すぐにAIが話し始めてしまった。あるいはAIの説明を止めたくて声をかけたのに、しばらく話し続けられた。

こうした「会話の順番が合わない感じ」は、従来型のターン制による部分もあります。

ただし注意したいのは、沈黙をどう判断するか、相づちと割り込みをどう区別するかといった能力が、「フルデュプレックスである」という通信上の性質だけで決まるわけではないことです。モデル側の会話理解と制御も同じくらい効いてきます。

GPT-Live-1で何が変わったのか

GPT-Live-1は、入ってくる音声と出ていく音声を一つのモデルで扱います。一方で、複雑な推論やツール実行はバックエンドの別モデルへ委ねられます。

OpenAIは例としてGPT-6 Astraを挙げていますが、第三者のモデルをバックエンドに置く構成も可能としています。GPT-Live-1が会話を続け、その裏側で別のモデルやツールが処理を進める、という形です。

OpenAIが公開した評価では、次の結果が示されています。

会話の間、割り込み、相づちなどを測る「Full Duplex Bench」で、前世代のGPT-Realtime-2.1を30パーセントポイント上回った
バックエンドにGPT-6 Astraを中程度の推論設定で組み合わせた構成が、音声エージェントのエンドツーエンド能力を測るTau3で1位になった

ただし、これらはOpenAI自身が公表している評価結果です。独立した第三者機関による検証とは分けて見たほうがよいでしょう。

導入企業のコメントについても同様です。

語学学習サービスのSpeakは早期評価で、従来のターン制システムと比べ、学習者が考えている途中でAIが割り込む回数が約80％減ったとしています。

Yelpも、予約や注文などの電話応対で通話処理率が改善し、電話をかけてきた人がより内容のある自然な文で話すようになったとコメントしています。ただし、改善幅の具体的な数値までは公表していません。

「1分0.05ドル」はシステム全体の料金ではない

GPT-Live-1のAPI価格は、フロントエンドの音声レイヤーについて1分あたり0.05ドルと発表されています。バックエンドモデルやツールの利用料は、これとは別です。

実際に電話サービスとして運用するなら、さらに電話回線、外部システム、開発、監視、保守などのコストがかかります。

つまり「0.05ドル×通話時間」だけで全体費用を見積もることはできません。

また、OpenAIは利用できる音声の選択肢を拡充していますが、言語対応は今後も拡大するとしています。日本語でどの程度の品質が得られるかは、導入時点で最新のAPI情報と実機評価を確認するのが確実です。

誤解されやすい3つの制度上のポイント

1. 「録音します」と個別に告げる義務まではない

個人情報保護委員会は公式FAQで、電話の通話内容について次のように整理しています。

通話内容から特定の個人を識別できる場合、その内容は個人情報に該当する
個人情報に該当する場合、事業者は利用目的を通知または公表する必要がある
ただし、録音していること自体を相手に伝える義務までは負わない

電話の冒頭でよく聞く「品質向上のため通話を録音させていただきます」という案内。あれ自体が、個人情報保護法によって一律に義務づけられているわけではありません。

もちろん、だから黙って録音してよいという話ではありません。利用者への透明性やトラブル防止という観点から、事前に伝えることには実務上の意味があります。

ここは、法律上必要な対応と、利用者への配慮として行う対応を分けて考えるのがポイントです。

2. 「海外サーバーを使う＝第28条」ではない

音声AIでは、認識や推論の処理が国外で行われることがあります。このとき個人情報保護法第28条の「外国にある第三者への提供」が話題になりますが、サーバーが海外にあるというだけで第28条が適用されるわけではありません。

個人情報保護委員会は、次のように整理しています。

事業者自身が外国に設置し、自ら管理・運営するサーバーに個人データを保存する場合は、外国にある第三者への提供に当たらない
外国の事業者が運営するサーバーであっても、その事業者が保存された個人データを取り扱わない旨が契約で定められ、適切にアクセス制御が行われている場合には、該当しないことがある

反対に、外国にある事業者へ個人データの取扱いを委託する場合などには、第28条に基づく本人同意や情報提供、相当措置の検討が必要になります。

確認すべきなのは、サーバーの所在地そのものではなく、誰が個人データを取り扱える状態にあるのかです。

なお、外国第三者への提供に当たらない場合でも、外国で個人データを取り扱う以上、その国の制度を把握したうえで必要かつ適切な安全管理措置を講じることが求められます。

もう一つ関係するのが第33条です。本人は、自分を識別できる「保有個人データ」について開示を請求できます。

通話録音や文字起こしを保有個人データとして管理するなら、保存期間、検索方法、本人確認、開示方法といった運用まで設計しておく必要があります。すべての通話録音が自動的に開示対象になるわけではありませんが、システム設計と法務の両方にまたがる論点です。

3. AIからの電話がすべて「電話勧誘販売」になるわけではない

特定商取引法が規制する電話勧誘販売は、事業者が電話をかけて勧誘し、その勧誘によって申込みを受ける販売方法を指します。

したがって、予約確認、配送日時の連絡、サポート連絡のように、それ自体が契約締結の勧誘ではない電話まで一律に対象になるわけではありません。企業間の取引も、原則として適用除外です。

電話勧誘販売に当たる場合、同法16条は勧誘に先立って次の事項を告げるよう求めています。

事業者の氏名または名称
勧誘を行う者の氏名
販売しようとする商品、権利または役務の種類
契約の締結について勧誘する目的であること

少なくとも現在の16条に、「AIであること」を告げるよう求める明文規定はありません。

ただし、「勧誘を行う者の氏名」という規定を、AIが主体となって進める電話勧誘にどう適用するのか。従来の人による勧誘を前提にした制度では、判断しにくい部分も残っています。「AIだと名乗らなくてよい」と一般化するより、サービス内容に応じて確認したほうが安全です。

また、同法17条は契約を締結しない意思を示した相手への勧誘の継続や再勧誘を禁止し、21条は事実と異なる説明などの不当な行為を禁止しています。

AI電話を販売に使うなら、断られた相手への再勧誘を止める仕組みや、AIが確信を持てないときに人へ引き継ぐ仕組みは、便利機能ではなくコンプライアンス設計の一部ということになります。

AIをめぐる制度は動いている

ここまでの説明は、2026年9月13日時点の制度を基準にしています。ただしAIと個人情報をめぐる前提は、今後も変わります。

日本では、個人情報保護法等の改正法が2026年7月17日に公布されました。一部を除き、公布日から起算して2年以内で政令が定める日に施行されます。

個人情報保護委員会は2026年9月9日、改正法に伴う政令・規則・ガイドラインなどの整備について、今後の進め方を決定しました。この記事で使っている条文や整理も、施行時には改めて確認する必要があります。

海外に目を向けると、EUのAI Act第50条1項が、人と直接やり取りするAIシステムについて、原則として相手がAIと対話していると認識できるよう設計・開発する義務を定めています。文脈から明らかな場合などの例外はありますが、EUで提供・利用されるサービスなら適用関係の確認が要ります。

日本では、総務省と経済産業省が2026年3月31日に「AI事業者ガイドライン（第1.2版）」を公表しています。これはAIの開発者・提供者・利用者が検討するための指針であり、法律そのものとは性質が異なります。

そして2026年9月時点で、国内の一般的な電話応対について「AIであることを必ず相手に告げる」という一律の明文規定は、今回確認した法令・公的資料からは見つかりませんでした。

だからこそ、残る問いがあります。人間だと思って話していた相手が実はAIだったと後から知ったとき、利用者はどう感じるのか。

制度が細部まで決めていない領域では、何が法律上の義務で、何がガイドライン上の推奨で、何が事業者自身の判断なのかを分けて考える必要があります。

学習の道具として見ると分かりやすい

ここまでは主に電話業務を例にしてきましたが、フルデュプレックスの違いが体感しやすいのは、むしろ語学学習のような場面かもしれません。

SpeakはGPT-Live-1の早期評価で、学習者が考えている途中でAIが割り込む回数が、従来のターン制システムと比べて約80％減ったとしています。

スピーキング練習では、言葉に詰まった瞬間にAIが答えを補ってしまうと、自分で言葉を探す時間そのものが失われます。少し黙っていても待ってくれることは、機能一覧では小さく見えても、実際の会話では大きな差になります。

同じことは、面接練習や口述試験の対策にも当てはまりそうです。相手が「いつ返事をするか」を自然に調整できることは、知識量や音声の滑らかさとは別の品質です。

ただし、ここから学習効果まで直接導けるわけではありません。約80％という数字もSpeakの早期評価です。「割り込みが減ること」と「学習成果が上がること」は別の話なので、本格的に評価するなら教育分野の研究と照らし合わせる必要があります。

まとめ

音声AIエージェントは、決められた選択肢を案内する自動音声応答から、自然な会話を続けながら外部システムの処理まで進める仕組みへと変わりつつあります。

GPT-Live-1で分かりやすい変化は、聞く処理と話す処理を一つのモデルで扱い、割り込みや相づち、沈黙を含む会話を従来より自然に扱えるようにしたことです。

一方、日本で実際の業務に使うときは、技術とは別に制度を切り分けて見る必要があります。

通話が個人情報に該当する場合は利用目的の通知または公表が必要だが、録音している旨を個別に伝える義務まではない
海外サーバーを使うだけで、直ちに第28条の外国第三者提供になるわけではない。誰が個人データを取り扱うのかが重要
開示請求の対象になるのは「保有個人データ」であり、通話ログの保存・検索・管理方法も実務上の検討事項になる
特定商取引法16条には、電話勧誘販売で「AIであること」を告げるという明文規定はない
ただし、AIを使った電話への既存法の適用には、今後さらに整理される余地がある

技術の進歩が速い分野では、「法律で義務づけられている」「禁止されている」といった説明が独り歩きしやすくなります。

法的義務なのか、実務上の慣行なのか、事業者が自主的に行っていることなのか。

この三つを分けて確認するだけでも、音声AI導入時の判断はかなりしやすくなります。

参考資料

本稿は2026年9月13日時点で確認できる公表資料と現行制度を基に整理しています。実際の導入時には、最新の法令、ガイドライン、契約条件、API仕様をご確認ください。