14 プロバイダー
音声APIとランタイムを使うと、製品チームは音声ストリーミング、モデル、ツール、状態管理、デプロイを制御できます。その分、通信事業者の設定、遅延目標、監視、再試行、安全対策、保守は自社の責任になります。ランタイムが提供する機能と、自社に残る開発作業を併せて比較しましょう。
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：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：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
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：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
購入者からよくある質問
通信事業者の設定、リアルタイム通信、状態管理、プロンプト、ツール、ID管理、再試行、監視、評価、データポリシー、スケーリング、障害対応、有人へのエスカレーションの一部または全部を自社で担うと考えてください。責任分担を書面で確認しましょう。
音声API、オーケストレーションランタイム、管理型音声プラットフォームは、異なる層を担います。ベンダーを比較する前に、音声の通信、音声またはリアルタイムモデル、ツール実行、電話連携、転送、監視を誰が提供するか書き出してください。
アプリケーションが会話をどう処理し、自社システムに接続するかを制御したい場合は、プラットフォームを使います。パッケージ型の通話フローが必要なら、まず電話エージェントのカテゴリーを評価してください。どちらを選んでも、通話経路全体のテストは必要です。
発信者を特定し、レコードを取得し、依頼された変更を確認し、文脈とともに担当者へ転送する短いフローを同じ条件で構築します。ツールの応答が遅い場合、発話への割り込み、転送先が利用できない場合もテストしてください。
設定だけで実現できた動作と、コードが必要だった動作を記録します。ランタイムのログ、バージョン管理、対応する通話チャネル、開発保守を含む総運用費用を比較してください。
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。
