NTTテクノクロスは2021年6月1日、各社のクラウド型音声系サービスのAPIを束ねて共通化するプロキシサーバーソフトウェア「Voice AI Proxy」を発表した。同日販売を開始した。利用する音声系サービスに応じてAPIを使い分ける必要がなくなる。音声認識5種類や音声合成3種類など、記事執筆時点で13種類の音声系サービスのAPIを収容する。今後、Voice AI Proxy経由で利用できるAPIを順次増やしていく。価格は、要問い合わせ。
Voice AI Proxyは、各社のクラウド型音声系サービスのAPIを束ねて共通化するプロキシサーバーソフトウェアである（図1）。利用する音声系サービスに応じてAPIを使い分ける（ソフトウェアをカスタマイズする）必要がなくなる。音声系サービスの導入時や切り替え時のシステム開発負荷を軽減できる。
図1：「Voice AI Proxy」の利用イメージ（出典：NTTテクノクロス）拡大画像表示
13種類のAPIを、5つのタイプ別に共通化した（表1）。音声認識×5種類、音声合成×3種類、自然言語処理（対話）×2種類、自然言語処理（分類）×2種類、音声感情解析×1種類、である。例えば、音声認識APIの場合、Google CloudやAzureの音声認識APIを、すべて同じ手順で利用できるようになる。
| タイプ | 対応数 | 対応サービス |
|---|---|---|
| 音声認識 | 5 | SpeechRec Cloud |
| COTOHA API | ||
| Google Cloud Speech-to-Text | ||
| IBM Watson Speech to Text | ||
| Microsoft Azure Speech to Text | ||
| 音声合成 | 3 | FutureVoice Crayon Cloud |
| Google Cloud Text-to-Speech | ||
| IBM Watson Text to Speech | ||
| 自然言語処理（対話） | 2 | Google Dialogflow |
| IBM Watson Assistant | ||
| 自然言語処理（分類） | 2 | Google AutoML Natural Language |
| IBM Natural Language Classifier | ||
| 音声感情解析 | 1 | Empath |
IVR（音声自動応答）ソフトウェア「VoiceMall」のオプションとして販売する。まずはVoiceMallのオンプレミス版に対して提供する。今後、VoiceMallのクラウド版（SaaS版）に対しても提供する。
