コールセンターの音声感情分析で何が分かるか？ 導入前に確かめる4つの点

2024年12月、コールセンター運営のCENTRICは、グループ会社ESジャパンの音声感情解析「ESAS」を和歌山支店に導入したと発表した。応対音声から従業員の離職予兆や業務上の課題を早めに見つけ、職場環境の改善につなげる狙いだという。顧客の怒りを拾う用途に加えて、オペレーター側の声から不調を読み取る用途が、運営現場の選択肢に入ってきた。では、通話の声から実際に何が分かり、何が分からないのか。先に立場を述べると、音声感情分析は「感情の正解」を返す装置ではなく「人が様子を見に行くきっかけ」を作る装置として設計した場合にだけ、SVのフォローや離職防止に役立つと私は考える。

音声感情分析の精度は、どんなデータで測られたかで大きく変わる

精度の数字から見ておく。国内で目を引くのは、ESジャパンと産業医科大学の共同研究だ。学術誌に掲載された論文は、コールセンターのオペレーター62名を追跡する前向きコホート研究で、ESAS（声の揺らぎを解析するLVAという技術が基盤）で抽出した感情パラメータから1か月後のうつ症状を予測するモデルを作り、AUC 0.783を得た。AUCは、不調が出た人と出なかった人を1組ずつ取り出したとき、モデルが不調側を正しく高く見積もる確率に近い指標で、0.5なら当てずっぽう、1.0なら完全だ。論文自身はこの値を「中程度の精度」と表現している。CENTRICの発表は同じ成果を「約2週間相当の音声で1か月先のうつリスクを予測」と打ち出している。もっとも、研究はESジャパンのグループ会社の拠点で行われ、対象は62名である。独立した第三者の追試ではない点は、数字の性質として押さえておきたい。

当て馬として、研究室のデータを置いてみる。英語の映画と、そのイタリア語・スペイン語吹き替え版から1,115の発話を集めたEmotion Probe研究では、5種類の感情の分類で、単一言語なら90%超、言語をまたいでも80%超の正解率が出た。一見すると、コールセンターの数字より高く見える。ただし単純に比べることはできない。映画の台詞は俳優が感情を「演じた」声で、スタジオで録られている。実際の通話の声は、演技も録音環境もその逆だ。

実通話のデータは性質が違う。フランスの出張手配コールセンターの顧客対応5,548通話、計375.39時間を使った実通話データの研究では、音声は8kHzで録られており、感情も「怒り」「喜び」のような分類ではなく、連続的な次元の値で付ける方式が選ばれている。論文は、実通話の感情の微妙さ・複雑さ・連続性を捉えるためだと説明する。つまり、ベンダーが示す「精度◯%」は、演じた声か実通話か、分類か連続値か、どの言語かによって、同じ土俵の数字ではない。