機能、料金、適合性
Gemini Live APIとLiveKit Agentsの音声機能、料金、適合性を比較します。
Gemini LiveとLiveKit AgentsをAI電話エージェント, 音声AIプラットフォームの用途で比較し、チャネル、ワークフロー、導入方法を通話フローに照らして評価します。
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。
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。
購入時の評価基準を見る： AI電話エージェント · 音声AIプラットフォーム.
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。
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。
購入時の評価基準を見る： AI電話エージェント · 音声AIプラットフォーム.
Gemini Liveの確認日：2026-09-28、LiveKit Agentsの確認日：2026-09-04。
以下の表で、各プロバイダーが文書化している提供範囲を比較してください。
購入者からよくある質問
Gemini Live：Live APIの標準利用はトークン従量制です。入力音声100万トークンあたり$3（1分あたり$0.005相当）、出力音声100万トークンあたり$12（1分あたり$0.018相当）に加え、テキストトークンの利用料が別途かかります。蓄積されたセッションコンテキストは各ターンで課金されるため、会話履歴が長くなると料金も増加します。 LiveKit Agents：月額Cloudプランには、一定のセッション数・通話枠と推論クレジットが含まれます。Enterpriseには利用量に応じた個別料金があります。 両プロバイダーに、同じ業務量、チャネル、導入範囲で見積もりを依頼してください。合計を比較する前にサブスクリプションと利用量を含めます。
Gemini Liveについて記録されたデータソースには公開資料で確認できませんが含まれます。LiveKit Agentsには公開資料で確認できませんが含まれます。各プロバイダーに、システムへのアクセス、権限、更新状況、障害時の動作を実演してもらってください。
同じ代表的な通話、指示、エスカレーションルールを使います。品質、完了したタスク、引き継ぎ、総費用を記録してください。導入前に次の注意点を確認します：Gemini Live：Gemini 3.8 LiveのモデルIDはどちらも安定版ですが、GoogleはLive APIをプレビューとして扱っています。ネイティブ音声セッションの応答モダリティはAUDIOです。テキストが必要な場合は出力文字起こしを有効にしてください。音声のみのセッションは15分、音声と動画を使うセッションは2分に制限されます。セッション管理で延長できます。クライアントからサーバーへの接続には短期トークンが必要です。蓄積された音声とコンテキストはターンごとに課金されます。 LiveKit Agents：料金計算ツールの数値は例であり、すべての構成に適用される見積もりではありません。ロジック、データポリシー、信頼性、コンタクトセンター運用はチーム側の責任です。
表を左右にスワイプまたはスクロールすると、すべての列を確認できます。
| 比較項目 | Gemini Live API | LiveKit Agents |
|---|---|---|
| プロバイダーの種類 | ネイティブのリアルタイムマルチモーダルモデルAPI | リアルタイム音声エージェントのフレームワーク・インフラ |
| 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。 | 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。 |
| 主な機能 | 安定版のネイティブ音声エージェントモデル：gemini-3.8-live、gemini-3.8-live-extended-thinking; 双方向のネイティブ音声; テキスト、画像、動画の入力; 関数呼び出し; 非同期のツール実行; セッション制御と割り込み処理 | オープンソースのフレームワーク; WebRTC; SIP; プロバイダープラグイン; デプロイツール |
| チーム規模 | スタートアップ; 中堅企業; 大企業; 開発者 | スタートアップ; 中堅企業; 大企業; 開発者 |
| 通話チャネル | WebSocket; サーバー側アプリケーション; 有効期間の短いトークンを使うクライアントアプリケーション | WebRTC; SIP; 電話／PSTN; モバイル; ウェブ |
| 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。 | 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 | 公開資料で確認できません | SIPトランキング; 通信事業者との連携 |
| 通話制御 | 公開資料で確認できません | 公開資料で確認できません |
| 対応言語 | Live APIのドキュメントには、日本語（ja）と多言語対応が記載されています。ネイティブ音声出力は会話中に自然に言語を切り替えられます。対応言語の一覧は、通話品質がどの言語でも同等であることを保証しません。別個の機能として、Transcribeは85以上の対応言語に日本語（ja-JP）を含みます。Flash TTSは130言語、Flash-Lite TTSは101言語に対応し、どちらも日本語を含みます。Live Translateのプレビュー版は70以上の言語に対応します。 | 公開資料で確認できません |
| 外部連携 | 公開資料で確認できません | 公開資料で確認できません |
| ナレッジとデータ | 公開資料で確認できません | 公開資料で確認できません |
| 料金体系 | Live APIの標準利用はトークン従量制です。入力音声100万トークンあたり$3（1分あたり$0.005相当）、出力音声100万トークンあたり$12（1分あたり$0.018相当）に加え、テキストトークンの利用料が別途かかります。蓄積されたセッションコンテキストは各ターンで課金されるため、会話履歴が長くなると料金も増加します。 | 月額Cloudプランには、一定のセッション数・通話枠と推論クレジットが含まれます。Enterpriseには利用量に応じた個別料金があります。 |
| 料金の目安 | 標準の有料料金は、入力音声が1分あたり$0.005相当、出力音声が1分あたり$0.018相当です。それぞれ別途課金され、テキストトークンの料金も加算されます。Googleは無料のAPIティアも掲載しています。 | 料金計算ツールの例では、セッション約$0.01、電話約$0.01、LLM約$0.0014、STT約$0.0058、TTS約$0.03、可観測性約$0.01が示されています。入力条件によって変わります。 |
| 無料プランまたは試用 | Gemini APIの無料ティアあり。有料のLive利用はトークン従量制です。 | 公開資料で確認できません |
| 主な特徴 | 安定版のGemini 3.8 Liveモデルは、ネイティブ音声対話と設定可能なツール呼び出しを永続的なWebSocketセッションで組み合わせます。TTS、文字起こし、翻訳には別個の補助モデルを使います。 | LiveKitはSTT–LLM–TTS、リアルタイムの音声対音声、半段階型という三つの処理モードを文書化し、Cloudへのデプロイ、可観測性、推論クレジット、電話連携も提供しています。 |
| 検討事項 | Gemini 3.8 LiveのモデルIDはどちらも安定版ですが、GoogleはLive APIをプレビューとして扱っています。ネイティブ音声セッションの応答モダリティはAUDIOです。テキストが必要な場合は出力文字起こしを有効にしてください。音声のみのセッションは15分、音声と動画を使うセッションは2分に制限されます。セッション管理で延長できます。クライアントからサーバーへの接続には短期トークンが必要です。蓄積された音声とコンテキストはターンごとに課金されます。 | 料金計算ツールの数値は例であり、すべての構成に適用される見積もりではありません。ロジック、データポリシー、信頼性、コンタクトセンター運用はチーム側の責任です。 |
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。
安定版のGemini 3.8 Liveモデルは、ネイティブ音声対話と設定可能なツール呼び出しを永続的なWebSocketセッションで組み合わせます。TTS、文字起こし、翻訳には別個の補助モデルを使います。
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。
LiveKitはSTT–LLM–TTS、リアルタイムの音声対音声、半段階型という三つの処理モードを文書化し、Cloudへのデプロイ、可観測性、推論クレジット、電話連携も提供しています。
購入前に、最新の料金、制限、セキュリティ、必要な連携を各プロバイダーに直接確認してください。
Gemini Liveはリアルタイムのモデルセッションを提供します。LiveKitはエージェントフレームワークとリアルタイムインフラを提供し、GoogleプラグインでGemini Liveをモデルとして利用できます。判断するのは、モデルを直接組み込むか、より広範なランタイム内で利用するかという点です。
自社チームが通信処理、セッション復旧、ツールの実行、デプロイを担える場合は、直接接続を検討します。LiveKitのフレームワーク、メディア通信、電話接続経路、プロバイダーの選択肢がアプリケーションの要件を満たす場合は、LiveKitを評価してください。選択した具体的なGeminiモデルと設定にプラグインが対応しているか確認しましょう。
両方の設計で同じ業務を実行します。割り込み、遅いツール、接続の切断、担当者への転送を比較したうえで、モデル料金、インフラ、電話連携、開発・保守の費用を比較してください。モデルの料金だけでは、どちらのシステム全体の費用も分かりません。
直接統合とLiveKitを比較する際は、Geminiのモデル、プロンプト、リージョン、タスク群を固定します。各構成の発話終了から最初の音声までのレイテンシ、割り込みからの復帰、タスク完了を記録します。モデルや音声も変更する場合は、構成全体の比較であることを明記します。
費用は、Geminiの使用量、LiveKit Cloudまたは自己ホストのインフラ、電話接続、監視を個別に列挙します。通常月と同時セッション数のピークを見積もります。フレームワークの支援が運用作業を削減するか判断する前に、セッション復旧、ツールの認証情報、インシデント対応の担当者を決めます。
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。
