バージインは、無料と思われがちな最も高価な機能

音声UXオーディオコスト
更新日 2026-09-08

デバイスが話している途中で、ユーザーが話しかけるだけで割り込めるようにすること。これは、一般消費者向けのハードウェアのコストでは、安価で確実な答えのないシステム問題です。私たちはまさにこのために専用のノイズ低減ICとアルゴリズムを載せ、何週間もチューニングしましたが、それでもこれが正直な結論です。

何をしようとしていたか

バージイン(barge-in、割り込み)は簡単に見えます。話し始めれば、デバイスが止まって聞く。会話の基本的な礼儀であり、音声AIはそう動くものだと、どのユーザーも思っています。私たちはこれを細部と捉え、ハードウェアの予算を割き、そして穴を見つけました。

実際にどこで壊れるか

自社オフィスでのテスト中、近くで同僚が電話をしていました。デバイスはその声を割り込みと受け取り、私と交わしていた会話の文脈を捨ててしまいました。遠い音でも大きな音でもなく、数メートル先で普通の音量で話す別の大人の声です。

根本の原因は、バージインが音量の問題ではないことです。正しく判断するには、デバイスが3つを同時に知っている必要があります。誰が話しているのか、どこにいるのか、そしてその発話がこのデバイスに向けられたものかどうか。どれも単独で難しく、コストを抑えた民生用ボードで3つ揃えるのはほぼ解けません。

4つのアプローチと、それぞれの破綻のしかた

距離

子どもはおもちゃを持ち歩き、テーブルに置き、持ち上げます。口とマイクの距離は決して安定しないため、それを基にしたしきい値は常にずれます。この道は始める前から塞がっています。

音量のしきい値

周囲の音は、ユーザー自身の声とレベルが重なります。テレビ、近くの会話、窓越しの街の音は、肝心の本人の声と同じ帯域に入ります。同じ測定レベルが持ち主の声のこともテレビのこともあり、振幅だけでは両者を分けられません。

声紋

技術的には最良の答えです。登録したユーザーに固定し、ほかの人は無視します。ただし必要な演算能力とライセンスは民生用おもちゃのBOMでは賄えず、排除されたというより価格で外れた案です。

ローカルのノイズ低減IC

実際に出荷したのがこれです。効果はあり、ある程度静かな屋内なら挙動は許容範囲です。騒がしい開放的な環境では、誤作動は今も起こります。問題を解決したのではなく、失敗率の位置を動かしたにすぎません。

スマートフォンのアシスタントは、なぜ成り立つのか

スマートフォンのアシスタントがバージインをうまく扱えるのは、マイクアレイ、高性能なアプリケーションプロセッサ、その背後にクラウドの演算能力があるからです。これらをコストを抑えたおもちゃに持ち込むと、どれも何かを壊します。アレイはサイズとコストを増やします。プロセッサはBOMを破綻させます。クラウドの往復は、Wi-Fiが悪くても動かなければならない製品に、遅延とネットワークへの依存を持ち込みます。

これはどちらのアルゴリズムが優れているかという話ではなく、制約条件がそもそも違うということです。

出荷した仕様

誤検出を減らすためにトリガーの境界を絞りました。周囲に常に反応してしまうより、本物の割り込みをときどき取りこぼすことを受け入れた形です。ユーザーがデバイスの名前を呼んだとき、またはデバイスに向かってはっきり話したときには、確実に反応します。騒がしい開放的な環境で誤作動をゼロにすることは、このコストでは今のところ実現できません。発売後にチャネルの側が気づくより、先にそう言っておくほうがよいと考えています。

一般的な教訓

AIハードウェアでは、ユーザーが当たり前と考える操作ほど、作り込むのに最も費用がかかることがよくあります。バージインはその1つです。音声製品の範囲を決めるときは、この機能が音声スタックに付いてくると決めてかからず、コストを明示的に見積もり、誤りをどちらの方向に倒すかを早めに決めてください。