リアルタイムで音声AI（LLM Copilotや面接アシスタントなど）を開発する際、避けて通れないのが「周囲の雑音や咳払いによるAIの誤反応」です。
VAD（Voice Activity Detection: 音声活動検知）のチューニングが甘いと、ユーザーが話していないのにAIが勝手に話し始めてしまったり、逆に言葉の途中で音声が途切れてしまったりします。
本記事では、低遅延な音声AIシステムにおいて、会話の自然さとノイズ耐性を両立するためのVADパラメーターの調整アプローチと、フロントエンド側の実装ポイントについて解説します。
1. リアルタイム音声AIにおけるVADの重要パラメーター
VADの挙動を制御する際、最も重要になるのが以下の2つの時間軸パラメーターです。
- Min Duration（最小発話時間）: 音声が検知されてから「これは人間の声だ」と判定するまでの最低時間。短すぎると「コホン」という咳払いやマイクのポップノイズでAIが起動してしまいます。
- Max Interval / Silence Duration（最大無音許容時間）: 話者が話し終えたと判定するまでの無音時間。短すぎると、ユーザーが少し言葉に詰まっただけでAIが会話を遮ってしまいます。
推奨されるトレードオフの設計
通常の会話をスムーズに行うための一般的な基準値は以下の通りです。
json
{
"min_duration_ms": 200, // 200ms以下のノイズを無視
"silence_duration_ms": 800 // 話し終わりから800ms待ってからAIの生成を開始
}
2. フロントエンドでの音声ストリーミングとノイズフィルタリング
Webブラウザ上で動作するAIアシスタントを実装する場合、Web Audio API と AudioWorklet を使用して、バックエンドに送る前の音声データを軽量にハンドリングするのが効果的です。
以下は、WebRTCやWebSocketで音声をストリーミングする前の、簡易的な音量ベースのプリフィルタリング（ノイズゲート）の実装例です。
JavaScript
// Web Audio API を用いた簡易的なノイズゲート処理
async function setupAudioProcessor(stream) {
const audioContext = new AudioContext();
const source = audioContext.createMediaStreamSource(stream);
// AudioWorkletなどの処理（ここではデモ用にAnalyserNodeを使用）
const analyser = audioContext.createAnalyser();
analyser.fftSize = 2048;
source.connect(analyser);
const bufferLength = analyser.frequencyBinCount;
const dataArray = new Uint8Array(bufferLength);
function checkAudioVolume() {
analyser.getByteFrequencyData(dataArray);
let total = 0;
for (let i = 0; i < bufferLength; i++) {
total += dataArray[i];
}
const averageVolume = total / bufferLength;
// 一定のしきい値（環境ノイズ）以下の場合は、バックエンドへの送信をスキップ
const THRESHOLD = 15;
if (averageVolume > THRESHOLD) {
// 音声データをWebSocket等でAIサーバーへ送信する処理
// emitAudioStream(dataArray);
}
requestAnimationFrame(checkAudioVolume);
}
checkAudioVolume();
}
3. 実際のプロダクトにおける最適化のケーススタディ
これらのVADパラメータチューニングや、面接・対話環境における低遅延な音声フィードバック、およびGPT-5/Claude等の最新LLMの統合を実際に行い、プロダクトとして落とし込んだ事例があります。
私たちが開発している、AIを活用したリアルタイム面接アシスタントの日本語版Linkjob AI (日本語站https://www.linkjob.ai/ja/ )では、まさにこの「環境ノイズと発話認識の分離」を実用レベルまで最適化しています。
本番環境のダッシュボードでは、面接中の音声認識のラグを最小限に抑えつつ、バックグラウンドの雑音を極限まで排除する設計を行いました。もし「リアルタイム音声AIが実務でどう動いているか」のUIや挙動の参考にしたい方がいれば、無料のデモ動画やダッシュボードも公開していますので、技術的なUI/UXの設計ケーススタディとして触ってみてください。
まとめ
リアルタイム音声AIの体験（UX）を決定づけるのは、LLMの賢さだけでなく、「いかに人間の発話の始まりと終わりを正確に捉えるか」という泥臭い音声処理の部分です。
咳払いや環境音対策には Min Duration を少し長め（150-200ms）に設定する
自然な会話のテンポを維持するには Silence Duration を 600-900ms の間でユースケースに合わせて微調整する
音声認識やVADのライブラリ（Silero VADなど）をWebシステムに組み込む際の参考になれば幸いです。