Kotoba Technologies Japanは2026年11月17日、Kotoba Technologiesが音声AI企業ElevenLabsによる買収に合意したと発表した。Kotobaの従業員15人がElevenLabsに加わり、日本での音声エージェントや音声インターフェースの普及を進める計画だ。ElevenLabsにとって、日本企業の買収は今回が初めてとなる。
Kotobaの音声モデル「Koto」は、すでに日本語の電話応対で使われている。今回の買収では、Kotobaが持つ東アジア言語の専門知識とElevenLabsの計算資源や事業基盤を組み合わせ、研究開発を加速させるとともに、国内の営業・導入支援体制を強化する方針だ。買収は規制当局の承認などを条件に、2026年第4四半期後半に完了する見込みである。
日本語の聞き取りと発話を支えるKotoの技術
AIが電話で顧客に応対するには、相手の発話を正確に聞き取り、適切な返答を音声で伝える必要がある。音声認識(STT)は発話をテキストに変換する技術であり、音声合成(TTS)はテキストから音声を生成する技術だ。Kotoは日本語の電話応対において、この両方の処理に採用されている。
Kotobaが8月10日に発表した内容によると、Salesforceの「Agentforce Voice」は8月7日に日本で提供を開始し、Kotoの日本語音声認識・合成技術を採用した。Agentforce Voiceは、AIエージェントによる顧客との電話応対を支援する機能である。Kotoは顧客の日本語を聞き取り、AIエージェントの返答を音声に変換する部分を担っている。
Salesforceの開発者向け文書によると、Agentforce Voiceでは音声認識と音声合成に使用するモデルを個別に選択できる。日本語向けには、音声認識用の「Kotoba STT」と音声合成用の「Kotoba TTS」がそれぞれ用意されており、一方のモデルを変更しても、もう一方の設定には影響しない。この構成により、導入企業は音声の聞き取りと発話を別々に評価し、用途に適したモデルを選べる。
また、Kotobaによると、Kotoには音声を直接別の音声に変換する同時通訳向けの技術もある。日本語の電話応対に使われる音声認識・合成に加え、リアルタイムの音声翻訳も同社の技術領域に含まれる。
既存の電話応対サービスと買収後の計画
両社は買収完了後、Kotobaが蓄積してきた東アジア言語の専門知識とElevenLabsの研究開発能力、計算資源を組み合わせる計画だ。Kotoの日本語音声認識・合成技術は買収合意前から提供されており、今回の買収は既存技術を基盤として、研究開発と国内の導入支援を拡大するものとなる。
両社の発表とSalesforceの開発者向け文書を基に、既存サービスの提供状況と買収後の計画を整理すると、以下のようになる。
| 状態 | 時点 | 内容 | 一次資料 |
|---|---|---|---|
| 既存の提供 | 2026年8月7日提供開始、8月10日発表 | Agentforce Voiceが日本で提供開始。Kotoの日本語音声認識・合成技術を電話応対に採用 | Kotobaの発表 |
| 現行の構成 | 2026年11月17日確認 | 音声認識と音声合成のモデルを独立して選択可能。日本語向けにKotoba STTとKotoba TTSを掲載 | Salesforce開発者文書 |
| 買収後の計画 | 2026年11月16日掲載 | Kotobaの東アジア言語に関する知見とElevenLabsの研究開発能力、計算資源、グローバル事業基盤を統合 | Kotobaの発表 |
| 国内事業の計画 | 2026年11月17日発表 | 今後数か月で国内営業を率いる体制を整え、日本でのインフラ投資を継続 | Kotoba Technologies Japanの発表 |
買収後も、日本の言語や文化、顧客のニーズに対応する役割はKotobaのチームが担う。ElevenLabsの研究開発基盤を活用しながら、Kotobaの専門知識を製品開発や導入支援に生かす方針だ。国内の営業体制も強化することで、すでに電話応対で採用されている技術を、より多くの企業へ展開する狙いがある。
研究開発の強化を日本語の電話応対にどう生かすか
研究開発と導入支援の拡大による効果を評価するうえでは、実際の電話でAIがどれだけ自然に会話できるかが重要になる。Kotobaは日本語の音声AIに特有の課題として、主語の省略、相手との関係によって変わる敬語、相づちや会話の間の取り方を挙げている。単に言葉を認識して音声を生成するだけでなく、会話の文脈を理解し、適切なタイミングで応答することが求められると同社は説明している。
導入企業は、顧客の発話を正しく認識できるか、AIの返答が自然に聞こえるかを個別に確認できる。Salesforceも開発者向け文書で、ブラウザー上で合成音声を試聴した後、実際に顧客が利用する音声チャネルを通じてAIエージェントに電話するテスト手順を案内している。音声サンプルの試聴と実際の電話では聞こえ方が異なるため、利用環境での確認が必要になる。
今回の発表では、買収後の具体的なモデル構成や性能改善を示す実測値は公表されていない。一方、現行のAgentforce Voiceでは音声認識と音声合成のモデルを独立して選択できるため、導入企業は実際の電話応対を通じてそれぞれの性能を評価できる。ElevenLabsの研究開発資源を活用したKotoの改良が進めば、その成果を聞き取りの精度や発話の自然さ、応答のタイミングといった項目で確認できることになる。



