かかってくる電話AIを、どの技術で見分けるのか ー レジストリ照合・信号解析・キャリア網・ゼロ知識、4つの流派の地図

2026年9月16日、音声セキュリティのPindropが、コンタクトセンターへの着信からAI音声エージェントや自動発信ボットを検知する製品を発表しました。当ラボも本日のCC AIデイリーで取り上げています。発表そのものの掘り下げは別稿に譲り、ここでは別の問いを立てます。

Pindropの解き方は、声が機械かどうかを判定したうえで、同社が管理する5,000超の登録済みAI音声と照合するというものです。同社リリースは、決済ネットワークやIDプロバイダが進めるエージェント検証を音声チャネルに持ち込むものだと説明しています。では、この「レジストリ照合」は唯一の解き方でしょうか。かかってくるAIを見分ける技術は、いくつの流派に分かれているのでしょうか。

先に立場を書きます。流派は大きく4つあり、答えている問いが違います。「機械かどうか」「どのAIか」「本人かどうか」を答える技術は別物で、一つの製品名の下に束ねられているだけです。買い手が最初にすべきは精度の比較ではなく、その製品が三つのうちどれを答えているかの確認です。

なお、人になりすます合成音声と本人認証の作り直しは当ラボで別途扱う予定です。この記事は「なりすまし」ではなく、顧客の代理として正当にかけてくるAIを含めた着信全体の仕分けを対象にします。

この記事の要点

• ①検知の流派は、登録済みAI音声との照合（Pindrop）、信号レベルの合成音声検知（Daon・Resemble AI ほか）、通信キャリア網での判定（Hiya）、相手にデータを見せない設計（Journey）の4つに分かれる。答えている問いも、登録の要否も、提供される面も違う

• ②第三者ベンチマークが存在するのは信号解析の精度だけで、しかも順位は各社の宣伝文句と一致しない。価格は本稿で調べた範囲では全社非公開

• ③「どのエージェントを誰と認めるか」はWebと決済で先に動いており、そちらは暗号署名とトークンで解いている。音声側だけが、受け手のベンダーが管理する名簿を照合するという解き方になっている

1. かかってくるAIを見分ける4つの流派

まず全体を並べます。評価順位ではありません。答えている問いが違う以上、横並びの優劣はつけられません。

レジストリ照合型は、Pindropが今回新設した「AI Voice Consortium」に代表されます。同社リリースによれば、5,000超のAI音声を収めた同社管理のデータベースにより、合成音声だと指摘するだけでなく既知のAIエージェントを特定できるとしています。ただし誰がどう音声を登録するのか、参加企業は誰なのかは、リリースにも製品ページにも書かれていません。

信号解析型は、登録された声と比べるのではなく、音声そのものの作られ方を見ます。Daonのコンタクトセンター向け説明は、周波数・位相関係・AI生成音声に特有のデジタル痕跡を分析する方式で、声紋や登録済みの本人情報との照合ではなく事前登録も不要だとしています。言語・方言・使われたクローンモデルを問わず通話の冒頭から動作するとも書かれています。既知のクローンモデルに対する精度99%は同社公表値です。なお同社がGenesys・Cisco・Amazon Connect・Avaya・Five9・NICEを挙げるのは声紋認証の連携先としてで、xDeTECHはその上に積む信号レベルの層だと説明されています。xDeTECH単体の対応面は公開情報では確認できませんでした。

Resemble AIのDetectは音声に閉じず、映像・画像も含むマルチモーダルな検知製品で、用途の一つとしてコンタクトセンターでの不正を挙げています。

キャリア網型は、コンタクトセンターの手前、通信事業者の側で判定します。HiyaのAI Voice Detectionは、製品ページによれば通信事業者と端末メーカーがネットワークや端末に組み込む形と、消費者が同社アプリで使う形で提供されます。企業がAPIで組み込めるとしているのは買収リリース側の記述です。出自は2024年7月のLoccus.ai買収で、買収リリースはその技術が1.5秒の音声でAI音声を識別できるとしています。これも自社公表値です。

国内で番号の偽装表示への対策が進んでいるのも位置としてはこの層ですが、声ではなく番号を扱う対策です。総務省が公表しているのは特殊詐欺に利用された固定電話番号等の利用停止スキームの改定で、令和5年6月27日付、悪質な電話転送サービス事業者が保有する在庫番号を一括で利用停止できるようにする内容です。発信者番号の偽装や合成音声は対象ではありません。米国のSTIR/SHAKENに相当する全国的な署名制度に当たるものは、本稿では確認できませんでした。

データを見せない型は、そもそも検知の土俵に乗りません。Journeyは、AIエージェントにも人のオペレーターにも顧客データを見せないまま、決済・本人確認・規制対象データの収集を完了させる取引レイヤーだと自社を説明しています。相手が機械かどうかを当てる代わりに、当たらなくても損害が出ない設計にする発想です。類似というより隣接ですが、地図には入れておくべきだと考えます。

第三者検証について補足します。Pindropのリリースが引くのはPodonosが2026年6月に公開したベンチマークです。同ベンチマークの公表によると、精度95%を超えたのはResemble AI（98.05%）、Whispeak（97.70%）、Aurigin AI（96.75%）、Pindrop（95.05%）の4システムで、リリースはこれを「95%を超えた4システムのうちの1つ」「最速の正確な検知器」と書いています。ただし精度はこの4つで最も低く、Podonos側の原文は「かろうじて超えた」と表現しています。

このベンチマークには8月14日付の更新版があり、前提が変わっています。更新版の公表によると対象は18システムに増え、原文は「6システムが95%を超えた」と書きます。首位はResemble DETECT-Worldで99.47%、誤検知率0.7%・見逃し率0.4%。オープンウェイトのpellav2が95.82%で加わりました。Pindropは95.05%で据え置き、誤検知率6.2%・見逃し率3.7%です。速度の順位も入れ替わりました。商用システムの1ファイルあたりのレイテンシは、Pellaの約57ミリ秒、Corsoundの180ミリ秒、Pindropの282ミリ秒、DETECT-Worldの399ミリ秒の順だと書かれています。リリースが掲げる「最速」は6月版の話で、9月17日時点の最新版では成立しません。ただしPodonos自身が、レイテンシ列は精度列のようには検証しておらず測定条件が混在するため、システム間の小さな差を意味あるものと読まないよう注意を添えています。同じ更新版の公表では、Reality Defenderは精度71.27%、リアルタイム係数1.52で、唯一リアルタイムより遅くストリーミング用途には適さないと評価されています。

WhispeakとAurigin AIについては、国内での導入事例を本稿の調査では確認できませんでした。

当ラボのボイスボット一覧で書いたとおり、調査主体と分母が違えば複数の事業者がそれぞれ首位を名乗る状態は矛盾なく並立します。検知の精度も同じで、版が変われば順位も変わります。上の表に精度の数値を並べなかったのはそのためです。