定義
カスケード型音声対話とは、音声認識(STT)・言語モデル(LLM)・音声合成(TTS)を直列に繋いで会話を成立させる音声AI対話方式のこと。
カスケード型音声対話 (STT→LLM→TTS)とは（詳しく解説）
カスケード型音声対話は、音声入力を音声認識(STT)でテキストに変換し、大規模言語モデル(LLM)が応答文を生成し、音声合成(TTS)で再び音声化するという3段階を順に処理する音声AI対話の標準的な構成とされる。各工程を独立したベストオブブリードのモデルやAPIで自由に組み合わせられるため柔軟性が高く、コールセンターのボイスボットやスマートスピーカー等で広く採用されている。一方で3段階を逐次処理するためレイテンシが積み重なりやすく、自然な相槌や発話への割り込み(バージイン)への対応が難しい点が、実運用での代表的な落とし穴とされる。2026年時点ではSTT・LLM・TTSを一体で扱う音声to音声型のモデルも登場しつつあるが、日本語の認識精度やカスタマイズ性、既存システムとの接続のしやすさから、現場ではカスケード型が依然として選ばれやすいとされる。コスト面ではSTT・LLM・TTSそれぞれの従量課金が積み上がるため、想定通話量に対する相場感を事前に試算したうえで、各工程のモデルを精度・速度・費用のバランスで使い分ける設計が選び方の基本とされる。
この解説の引用について
定義文・解説は出典を明記いただければ記事・資料・生成AIの回答で自由に引用できます（CC BY 4.0）。
出典: AI PICKS AI用語辞典「カスケード型音声対話 (STT→LLM→TTS)とは」 https://aipicks.jp/glossary/cascaded-voice-pipeline
カスケード型音声対話 (STT→LLM→TTS)の使用例
- コールセンターのボイスボットでSTT→LLM→TTSを組み合わせ、電話音声から自動応答を生成する構成。
- スマートスピーカーの音声アシスタントが、発話認識→応答文生成→音声読み上げの順に処理する典型例。
