21 プロバイダー
プロダクトチームには通常、予測可能なAPI、組み込み可能な制御機能、ID管理、分析、試作から本番運用への確実な移行経路が必要です。ランタイムの費用と、その周辺の開発費用を併せて見積もりましょう。
提供元：Amazon Web Services
Amazon Connect Customer AIでは、ConnectのボットロケールにNova Sonicの音声対音声を選択でき、オーケストレーション、インテント、フローはConnectが引き続き管理します。
適した用途: 既存のボットロケールとフローツールの中でネイティブの音声対音声を評価するAmazon Connectのコンタクトセンター。
音声技術の構成: ネイティブのNova Sonicを選べるConnectの処理経路
電話連携: Amazon Connectの電話連携
APIで作成するエージェント、Pathways、動的データ、ツール、ウェブフック、割り込み設定を備えた電話・ウェブ向け音声エージェントプラットフォーム。
適した用途: 通話量、同時実行数、ナレッジベースのプラン区分が明確な着信・発信通話パッケージを必要とする開発者と運用チーム。
音声技術の構成: 公開資料で確認できません
電話連携: Twilio, SIP, Genesys, Five9, NICE CXone, Amazon Connect, Talkdesk
提供元：Twilio
TwiMLのConversationRelayセッションをアプリケーションのWebSocketに接続し、STT／TTS、言語設定、DTMF、通話イベントに対応するProgrammable Voiceの構成要素。
適した用途: 電話連携、メディア処理、通話制御をTwilioに任せつつ、独自の音声エージェントロジックを構築する開発者。
音声技術の構成: 開発者が用意するLLMを使う段階型の音声インターフェース
電話連携: Twilio Programmable Voice, 電話番号, SIP
提供元：Microsoft
Copilot Studioのリアルタイムエージェントは音声・デジタルチャネルに導入でき、ネイティブのGPT-Realtimeモードか、Neural TTSを組み合わせたプレビュー版GPT-5-Chatを選べます。
適した用途: チャネルをまたいでCopilot Studioのトピック、ツール、ナレッジ、引き継ぎ、明示的な音声設定を必要とするMicrosoft環境のチーム。
音声技術の構成: ネイティブのGPT-Realtimeモード、または段階型のGPT-5-Chatモード
電話連携: Dynamics 365 Contact CenterとAzure経由の連携
提供元：Decagon
設定可能な音声プロフィール、発信通話、有人引き継ぎの要約、ガードレール、サポートシステムとの連携を備えた音声カスタマーサービスエージェント。
適した用途: CRM、ヘルプデスク、ナレッジベース、CPaaSに接続する電話自動化を必要とするサポートチーム。
音声技術の構成: 公開資料で確認できません
電話連携: 公開資料で確認できません
提供元：DocsBot
維持管理されたナレッジに基づき、ネイティブのリアルタイム音声モデル、業務ツール、リード獲得、予約、有人転送を利用するウェブ・電話向け音声エージェント。
とても柔軟なチャットボットで、ボットに知ってほしい内容をまさにそのとおりに細かく調整できます
適した用途: 継続的に更新される業務コンテンツに基づき、サポート、受付、営業、ワークフローのツールと連携する音声エージェントを求めるチーム。
音声技術の構成: ナレッジ検索とツールを備えたネイティブのリアルタイム音声モデルを選択可能
電話連携: Twilioの電話番号接続, SIP／PSTN通信事業者への接続
提供元：ElevenLabs
ビジュアルなワークフロー、独自モデルの選択肢、電話・ウェブ・モバイルへの導入、内蔵のテスト・評価機能を備えた音声中心のエージェントプラットフォーム。
適した用途: 電話、ウェブ、モバイルにまたがるエージェントのワークフローと、管理された音声ライブラリが必要なチーム。
音声技術の構成: ElevenLabsの音声を使用する段階型STT–LLM–TTS
電話連携: Twilioとのネイティブ連携, 着信・発信用のSIPトランク
提供元：Hume AI
文字起こし、声の表現指標、アシスタントのテキスト、応答音声をストリーミングする音声対音声のWebSocket API。
適した用途: 音声の抑揚を考慮した対話を、設定可能な音声や任意の補助LLMとともに評価する開発者。
音声技術の構成: 抑揚に応じた処理を行うネイティブの音声対音声
電話連携: 公開資料で確認できません
提供元：Google
GoogleのGemini Live APIは、WebSocket経由でマルチモーダルなセッションをストリーミングします。ネイティブ音声エージェント向けの安定版モデルはGemini 3.8 LiveとGemini 3.8 Live Extended Thinkingです。
適した用途: 永続的なWebSocketセッションで、ネイティブ音声、マルチモーダル入力、関数呼び出しを必要とする低遅延の対話エージェントを構築する開発者。
音声技術の構成: ネイティブ音声エージェント：Gemini 3.8 Live（gemini-3.8-live）とGemini 3.8 Live Extended Thinking（gemini-3.8-live-extended-thinking）。, 別個のTTSモデル：gemini-3.8-flash-ttsとgemini-3.8-flash-lite-ttsは音声を生成します。いずれもLiveエージェントではありません。, 別個の文字起こしエンドポイント：gemini-3.5-transcribeは音声ファイルを処理します。gemini-3.5-transcribe-liveはLive APIの音声テキスト変換モードで、対話エージェントではありません。, 別個の翻訳モード：gemini-3.5-live-translate-previewは70以上の言語に対応するLive APIの通訳機能で、対話エージェントではありません。プレビュー版です。
電話連携: 公開資料で確認できません
提供元：Goodcall
エージェント単位の料金で、設定可能なスキル、フォーム、ロジックフロー、連絡先一覧、通話転送を備えたAI電話受付。
適した用途: 通話時間ではなく月間の重複しない顧客数に基づく、予測可能な月額料金を求める小規模企業や複数拠点の企業。
音声技術の構成: 公開資料で確認できません
電話連携: 公開資料で確認できません
提供元：Cartesia
ノーコードのAgent Builder、SDKで定義する推論、Cartesia InkのSTT、SonicのTTS、デプロイ、可観測性を備えた、音声エージェント向けの管理型Lineランタイム。
適した用途: 推論、ツール、外部APIをコードレベルで制御しながら、音声処理の基盤は管理型サービスに任せたいチーム。
音声技術の構成: CartesiaのTTSを使う段階型STT–LLM–TTS
電話連携: 公開資料で確認できません
提供元：LiveKit
STT–LLM–TTS処理経路、ネイティブのリアルタイムモデル、半段階型の構成、WebRTC、電話連携に対応するリアルタイムエージェントフレームワークとCloudプラットフォーム。
適した用途: 処理経路のアーキテクチャを選び、エージェント基盤と自社のアプリケーションロジックを組み合わせたい開発チーム。
音声技術の構成: ネイティブのリアルタイムモデルにも対応する、構成可能な処理経路
電話連携: SIPトランキング, 通信事業者との連携
提供元：Daily
音声・マルチモーダル処理経路向けのオープンソースPythonフレームワークで、クライアントSDKとPipecat Cloudの管理型ホスティングも提供します。
適した用途: プロバイダーに依存しない処理経路の構成を求め、自社ホスティングと管理型Cloud導入を選びたい開発者。
音声技術の構成: ネイティブのリアルタイムモデル用アダプターを備えた、構成可能な処理経路
電話連携: 公開資料で確認できません
提供元：OpenAI
WebRTC、WebSocket、SIPを介したテキストと音声のリアルタイム入出力および関数呼び出しに対応する、モデル層のAPI。
適した用途: パッケージ型のコンタクトセンター製品ではなく、リアルタイムモデルを基盤に音声アプリケーションを構築するプロダクト・開発チーム。
音声技術の構成: ツール呼び出しに対応したネイティブ音声入出力
電話連携: SIP接続, 通信事業者との連携は購入者側の責任
提供元：Regal
ノーコードの音声エージェント構築ツール、統合された顧客プロフィール、イベント起点のジャーニー、IVR・ルーティング、複数チャネルへの働きかけを備えた営業・コンタクトセンタープラットフォーム。
適した用途: 顧客のシグナルに基づくジャーニーとともに、着信・発信の音声業務を調整する営業またはサービスチーム。
音声技術の構成: 公開資料で確認できません
電話連携: 公開資料で確認できません
ノード型の会話フローまたは単一のプロンプトで構築する、ホスト型の音声・チャットエージェントプラットフォーム。電話連携、ツール、ナレッジベース、分析機能を備えます。
適した用途: ビジュアルなフロー設計とAPI／SDKによる制御の両方を備えた、管理型エージェント構築ツールを比較するチーム。
音声技術の構成: 独自のLLMも選べる、構成可能なSTT–LLM–TTS処理経路
電話連携: 管理された電話番号, SIPトランキング, 既存の電話基盤を利用可能
提供元：Synthflow AI
音声エンジンを選択でき、音声のインポートや複製、企業向けの代替音声モデルを備えたノーコードの音声エージェント構築ツール。
適した用途: ビジュアルな通話フロー構築と音声プロバイダーの制御を求め、利用量、電話連携、外部連携、サポートに応じた導入料金を検討するチーム。
音声技術の構成: 段階型のSTT–LLM–TTS処理経路
電話連携: 公開資料で確認できません
提供元：Fixie.ai
ノーコードのConsole、カスタムツール、自社の電話基盤を利用する方式に対応し、電話、ウェブ、ネイティブアプリで使えるAPI中心のネイティブ音声言語モデル。
適した用途: 音声を直接処理し、電話連携やアプリの通信方式を自社で制御したい開発チーム。
音声技術の構成: ネイティブ音声言語モデル
電話連携: 公開資料で確認できません
選択可能な音声認識、言語モデル、音声プロバイダーを組み合わせ、電話とウェブの通話経路に対応する開発者向け音声エージェントプラットフォーム。
適した用途: STT、LLM、TTSの選択、ツール、通話のオーケストレーションをプロバイダーレベルで制御したい開発チーム。
音声技術の構成: STT–LLM–TTSおよびOpenAI Realtimeを含む、構成可能な処理経路
電話連携: 管理された電話番号, 既存の電話基盤を利用可能, SIP
提供元：Deepgram
Deepgramの音声認識、LLMオーケストレーション、音声合成を、関数呼び出しとセッション中の制御機能とともに統合したVoice Agent API。
適した用途: STT、オーケストレーション、TTSを個別に組み立てる代わりに、一つの管理型音声APIを利用したい開発者。
音声技術の構成: 管理型の段階型STT–LLM–TTS一式
電話連携: 公開資料で確認できません
代理店向けワークスペース、顧客への引き継ぎ、モデル選択、API、可観測性、段階別の環境を備えた、音声・チャット向けビジュアルエージェントプラットフォーム。
適した用途: 複数顧客のエージェントを管理する代理店、または共同設計、APIアクセス、本番環境を必要とするCXチーム。
音声技術の構成: 設定可能な段階型STT–LLM–TTS処理経路
電話連携: 公開資料で確認できません
プロダクトチームは、どの層を自社アプリケーションに組み込むか把握する必要があります。ブラウザーまたは電話の入口、セッション状態、認証されたツール、障害時の動作、製品に保存するイベントデータを明記してください。
デモの見た目を整える前に、最も難しい連携を試作します。変更のリリース、失敗したセッションの再現、完了したユーザータスクあたりの費用を監視する作業量を見積もりましょう。プロバイダー選定にはプラットフォームのカテゴリー、責任範囲の判断には自社開発と購入のガイドを使ってください。
必要な言語での実際の通話を使い、認識、音声品質、割り込み、言語の切り替え、ツールの利用、有人転送をテストしてください。提供状況はモデル、プラン、電話経路によって異なる場合があります。
DocsBotは多言語の音声ワークフローと日本語対応を文書化しています。正確な音声、電話経路、転送の動作は試験導入で確認してください。 DocsBotの言語対応情報を確認 ↗
その他のプロバイダーの言語対応に関する主張は、引用したベンダー資料に基づきます。日本語と必要な他言語への対応は、各プロバイダーに直接確認してください。
掲載は推奨や性能の保証を意味しません。 このディレクトリはDocsBotが公開しています。 編集方針
あなたの事業に合う候補リスト。
まずウェブサイトを入力してください。いくつかの要点を伺い、通話フローに対する適合性、トレードオフ、代替案、試験導入計画を含む個別PDFを作成します。
