電話をかけると、出るのは人間ではなく音声AIエージェント——という場面が2026年に入って急速に広がっている。裏側では「音声を聞いて、考えて、声で返す」までの遅延をいかに縮めるかという技術競争が続いている。今週は、主要プラットフォームの最新動向と、会話をなめらかにする低遅延アーキテクチャの仕組みを整理する。
音声エージェントとは何か
「音声エージェント」は、テキストチャットボットの音声版ではなく、マイクからの音声入力にリアルタイムで応答し、必要に応じて外部ツール（在庫確認、予約変更、支払い処理など）を呼び出しながら会話を完結させるAIを指す。電話（IVRの置き換え）、Webサイトの音声窓口、カスタマーサポートセンターでの一次受付など、これまで人手や固定シナリオのIVRが担っていた領域に導入が進んでいる。
OpenAI：Realtime APIと電話発着信対応
gpt-realtime-2.1／gpt-realtime-2.1-miniは、音声応答の遅延（p95）を従来比25%以上短縮したモデルで、複雑な指示追従やツール呼び出しの精度も向上している。Realtime APIはSIP（Session Initiation Protocol）による電話の発着信、リモートMCPサーバーとの連携、画像入力にも対応し、単なる音声チャットではなく業務システムと接続した「電話番エージェント」を組みやすくなった。音声入力は100万トークンあたり32ドル、出力は64ドルで、2026年中に価格は約20%引き下げられている。
ElevenLabs：Conversational AIによるサポート窓口の自動化
ElevenLabs Agentsは、感情の機微を読み取りながら70以上の言語で会話できるエージェントを、ノーコードで電話（SIP／既存の電話回線）、Webチャット、WhatsAppなど複数チャネルに展開できるサービス。注文状況の確認や予約変更といった実務タスクをツール連携でこなし、対応が難しい場面では会話履歴ごと人間のオペレーターに引き継ぐエスカレーション機能も備える。CRMやチケット管理システムとの同期を前提に設計されており、コールセンターのSaaSとして導入しやすい点が特徴だ。
Google：Gemini Live API
Gemini Live APIは、音声・映像・テキストを連続ストリームとして扱い、低遅延で自然な音声応答を返すマルチモーダルAPI。ユーザーが話している途中でモデルの発話に割り込める「バージイン」、声の抑揚から感情を読み取り共感的なトーンで応答する「Affective Dialogue」、Google検索や関数呼び出しとの連携など、実運用を意識した機能を備える。Vertex AI上でもGemini 2.5 Flash Native Audioモデルにより一般提供が始まっており、ECの接客、ロボットやスマートグラスとの対話、ヘルスケア分野の会話アシスタントなど用途は広い。
開発者向けプラットフォーム：VapiとRetell AI
モデル単体ではなく、電話回線・STT（音声認識）・LLM・TTS（音声合成）を一つに束ねる「オーケストレーション層」を提供するのがVapiやRetell AIのようなプラットフォームだ。Vapiは各コンポーネントを自由に組み合わせられる開発者向けの自由度の高さが強みで、チューニング後の応答速度は500〜700ミリ秒程度とされる。Retell AIはカレンダー予約やIVR連携に強く、チューニングなしでも平均600ミリ秒程度の低遅延を実現するマネージド型が特徴。料金は従量課金でおおむね1分あたり0.07ドル前後からとなっている。
低遅延の仕組み：カスケード型 vs Speech-to-Speech
音声エージェントのアーキテクチャは大きく2種類に分かれる。
- カスケード型：音声認識（STT）→ テキストでの推論（LLM）→ 音声合成（TTS）と、モデルを段階的につなぐ方式。各段階の入出力をログとして残せるため、内容の監査やコンプライアンス対応、部分的なベンダー差し替えがしやすい半面、各段階の遅延が積み重なり、応答開始までにおおむね600〜1200ミリ秒かかる。
- Speech-to-Speech（S2S）：OpenAI RealtimeやGemini Liveのように、音声を音声のまま単一モデルで処理し、テキストへの変換を経ずに応答を返す方式。応答開始までの遅延は300〜500ミリ秒程度まで縮まり、抑揚や間の取り方も自然になりやすい。一方で、応答内容を事前にフィルタリングしにくい、途中経過を確認しづらいといった運用面の制約が指摘されている（Deepgramの解説より）。
どちらを選ぶかは、応答速度を優先するか、内容の統制・監査性を優先するかのトレードオフになる。実務では、カスコンプライアンス要件の強いコールセンター業務はカスケード型、雑談寄りの窓口やゲーム内NPCなど自然さを重視する場面はS2S、という使い分けも見られる。
業界動向：コンタクトセンターへの統合が加速
2026年9月には、音声認識大手SoundHound AIが対話型AI企業LivePersonの買収を完了したと発表。SoundHoundの音声・エージェントAIとLivePersonのデジタルメッセージング基盤を統合し、年間数十億件規模の音声対話と月間約10億件のデジタルメッセージを持つオムニチャネルの会話AI基盤を目指すとしている（プレスリリース）。またコンタクトセンター大手のGenesysは、自社の「Agentic Virtual Agent（AVA）」にElevenLabsとDeepgramのネイティブ音声機能を統合する計画を発表しており、大手ベンダーが自社プラットフォームに外部の音声AI技術を組み込む動きが目立ってきている。
主要プラットフォーム比較
| サービス | 方式 | 体感遅延の目安 | 主な強み | API/開発者向け |
|---|---|---|---|---|
| OpenAI Realtime API | Speech-to-Speech | 300〜500ms | SIP電話連携、MCP・画像入力対応 | あり（API） |
| Google Gemini Live API | Speech-to-Speech | 低遅延（公称値非公開） | バージイン、感情理解、70言語 | あり（API） |
| ElevenLabs Conversational AI | カスケード型（自社STT/TTS） | 非公開 | ノーコード構築、70言語超、CRM連携 | ノーコード＋API |
| Retell AI | カスケード型 | 約600ms（無調整） | 予約・IVR連携、マネージド運用 | API |
| Vapi | カスケード型（構成自由） | 約500〜700ms（要チューニング） | STT/LLM/TTSを自由に組み合わせ | API（開発者向け） |
主な情報源
- Introducing gpt-realtime and Realtime API updates for production voice agents（OpenAI）
- Deploy AI Agents in Minutes（ElevenLabs）
- Gemini Live API overview（Google AI for Developers）
- Vapi（公式サイト）
- Retell AI（公式サイト）
- Speech-to-Speech vs Cascade: Voice Agent Architecture（Deepgram）
- SoundHound AI Completes Acquisition of LivePerson（プレスリリース）
- Genesys Unveils Industry’s First Agentic Virtual Agent Powered by LAMs（Genesys）
音声クローン等は本人の同意と各サービス規約の遵守が前提です。生成物の権利・商用条件は各規約をご確認ください。情報は公開時点のもの。収集・要約はAI、公開判断は人。