
Amazon Nova 2.5 Sonicと戯れてみた
はじめに
みなさんはAIと日々会話してますか?
会話する時はなにで会話することが多いでしょうか?
私の周辺では テキスト(人間)↔︎テキスト(AI) か 音声(人間)↔︎テキスト(AI) が多い気がしています。
私もそうです。
しかし、場合によっては音声(人間)↔︎音声(AI) でやり取りをしたいこともあります。
最近、ChatGPTやGeminiのスマホアプリではそういった音声 to 音声でAIと会話できる機能も増えてきましたよね。
少し前に弊社の荒巻がブログにしていたこういうタイプのAI機能のことです。 このブログ面白いのでおすすめです。
こういう機能も自分のプロダクトに入れたい!
実はAWSにもこういった音声モデルが存在します。
Amazon Nova Sonic。みなさん聞いたことありますよね????
Amazon Nova Sonic?
Amazon Nova SonicはSpeech-to-Speech モデルとして2025年にGAされていました。
私もGAされた当初に少し触りましたが、なんというか、、、時差のある人と数秒遅れで会話しているような感覚でした。
そこからしばらくは距離を置いていましたが、先月Nova 2.5 Sonic(以下、Nova Sonicと書きます)という新しいバージョンが一般公開されているのを今更知りました。
やってみた
まあ、とりあえず触ってみるかということで
BedrockのプレイグラウンドでNova 2.5 Sonicを試してみました。

なんとびっくり。
まるで人間と会話してるようなスムーズさ!!!!!!
これをみているあなたにもいますぐAWSコンソールを開いて試して欲しいです。
プレイグラウンドを開いて試すだけなら簡単です。
これまでのNova Sonicを試したことがある人なら驚くと思います。
ところどころに若干おかしな日本語が入ったりしますが、ほとんど気にならないレベルです。
そもそもNova Sonicは公式ドキュメントで対応言語に日本語が記載されていないので、日本語で返してくれるだけでもありがたいです。
また、会話の途中で私が割り込んでもいい感じに返してくれるので、かなり自然なやりとりができるようになったように思います。
一方で少し難しい質問には「回答できません」と返されることもありました。
何でも答えられるわけではありませんが、会話のテンポは人間と話しているように自然でした。
使い方を考える
こういうモデルは面白い反面、すご〜い。パチパチ。で終わってしまうことがあります。
なので私なりに活用方法も考えてみました。
私たちエンジニアは普段から息をするようにAI Agentとテキストコミュニケーションを取っていると思います。
正直なところ、そういった層にはあまりハマらないんじゃないかと思います。
どちらかというと、普段あまりパソコンと向き合うことが多くない方向けのアプリケーションに組み込んで使うような使い方がいいんじゃないかと考えています。
私自身、前職では機械のエンジニアをやっていたのでパソコンを使うのは事務作業程度で、他は設備機器と向き合う時間の方が長かったです。
パソコンがあまり得意ではなかったので、あの時に音声でやり取りしながら事務作業をやってくれるAIがいたら嬉しかったなー、とか、会話ベースでAIに色々聞いて教えてくれたら嬉しかったなー、と今では思います。

他にも、そういったパソコンと向き合うことが少ないけど、専門知識を持っている人にAIがインタビューし、普段は文書に残らない判断のコツや経験則を言葉にしてもらう用途にも使えそうだなと想像しています。
今でこそ暗黙知をデータにして活用したいという思いがありますが、
普段あまりパソコンに触れていない過去の私には「あなたの知ってることをデータにしたいから、文字におこしてくれ」と言われても、なかなか文字に起こすのは難しかったと思います。

そういったデータ化されない専門知識を人間から引き出す用途でも音声モデルに期待しています。
ということで、試しにNova Sonicを使ってどんなことができるのか知るために戯れてみました。
音声会話アプリと会話してみた
アプリ自体はKiroに「Nova 2.5 Sonicでアプリ作って」と依頼して作ってもらったものです。
ぱぱっと作ってくれるので、試してみたい方は手元のAI Agentに頼んでみてください。
いくつか検証したいことがあったので、構成はこんな感じです。
今回は社内申請を音声で手伝ってくれるAgentを作ってみました。

細かいことは置いといて、まずはどんな動きをするのか試してみます。
デモ
動画の中で試しているのは主にこの2つです
・質問に回答しながら申請書が作成できるか
・社内のデータを参照した上で回答してくれるか
いい感じですね。
若干日本語が気になる部分がありますが、こちらの回答がすぐにシートに反映されています。
必要に応じて社内ドキュメントや社内データベースにしか記載されていないことも回答できています。(もちろんダミーデータですよ)
途中で質問した「残りの有給は何日?」という質問は、MCP経由で呼び出したLambdaがDynamoDBからデータを取得し、「期初の有給日数 − 使用済み日数」で計算しています。
また、「有給は半日でも利用できる?」という質問は、社内規定の文書をMCP経由で取得しています。
サンプルの社内ドキュメントを多数用意していたので、少し検索するために間が空いたと思われますが、気になるほどではないですね。
ドキュメント数がもっと多くなった場合にどの程度ラグが発生するかは気になるところです。

今回は分かりやすいように社内申請Agentを作りましたが、できればAIから色々な角度で質問して、文字ではまとめにくい経験や判断のコツを引き出す。
その会話を文字起こしし、AIで整理・構造化して、最後に本人に確認してもらう。
そんな使い方が面白いんじゃないかと思いました。
今回音声モデルを使ってみた私の所感ですが、
(人→AI) 人からAIに対して質問するのもいいですが
(AI→人) AIから人に対してアレコレ質問して、テキストに起こすのが面倒、難しいことを人間に吐き出させる。
そしてそれを別のAIを使ってデータに整形する。という使い方をすると、テキストベースのAI Agentとの差別化ができるんじゃないかと思いました。
構成のポイント
申請書の項目に沿って質問させる
雑に「有給を申請したい」だけ依頼すると、期待しない質問をしてくる可能性があるので、今回はユーザーの依頼を元に適切な社内の申請書(ダミー)を読み込ませて、ドキュメントの項目に沿った質問だけをしてもらうようにプロンプトを作っています。

言葉での会話ってテキストと違って熟考には向いていない気がするんですよね。
なので、今回は既存の文書をベースに決まった質問をAIに考えてもらう方法にしてみました。
Nova SonicをBidi Agentsから呼び出す
Nova Sonicを呼び出すAgentにはBidi AgentsというAgentを使いました。
人の会話のような形でAIと会話するには双方向でリアルタイムのストリーミングが必要ですよね。
Bidi AgentsはStrands Agents SDKに含まれるライブラリの1つで、リアルタイムストリーミング会話のための双方向エージェントです。
また、今回利用するNova Sonicもサポートしています。
今回の構成はBidi AgentsをAgentCore Runtime上で動かして、Nova Sonicを呼び出すという流れになっています。
こんなイメージですね。

AgentCore RuntimeはWebSocketで音声を双方向にストリーミングできるので、Bidi Agentsを動かす基盤としても相性が良いです。
また、必要に応じて後述のMCPツールを管理するAgentCore Gatewayとの連携も簡単です。
MCPツールを接続して自社データを回答に含める
Nova Sonicだけでもいいのですが、やっぱり世の中にある情報以外にも自社や自分しか持っていない情報も考慮して会話して欲しいですよね。
ということで、今回の構成ではダミーの自社データをS3やDynamoDBに置いてあります。
自社データを呼び出すLambdaはMCPツールとしてAgentCore Gatewayに登録しています。

これで、Nova Sonicが必要なツールの呼び出しを要求すると、BidiAgentがAgentCore Gateway経由でLambdaを実行し、取得した自社データを使って回答できるようになります。
デモの中でも「有給って半日でも取れる?」という質問に対しても社内規定から回答してくれました。
さいごに
エンジニアではない方向けと書きましたが、そもそもオフィスで一人でPCに向かって喋るのは難しいという人も多いと思います。
また、1人で黙々と音声AIと会話するのもなんだかなぁと思います。
音声系のモデルはなかなか使い所が難しい印象がありますが、会話はテキストコミュニケーションからは漏れてしまう貴重な情報の塊だと思っているので、私たちの業務に馴染むようなよい使い方を模索したいと思います。
皆さんも面白い使い方があればぜひ教えてください。








