機能、料金、適合性
Gemini Live APIとUltravoxの音声機能、料金、適合性を比較します。
Gemini LiveとUltravox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.
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。
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。
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、Ultravox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。 Ultravox：従量制とProプランは、公開されている分単位料金と月額料金を組み合わせています。Enterpriseは個別見積もりで、SIPは別料金です。 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。Ultravox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。 Ultravox：モデルの重みが公開されていても、ホスティング、遅延対策、安全対策、評価、音声、電話連携の作業は残ります。ライセンスとSLAを確認してください。
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 | Ultravox |
|---|---|---|
| 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 | ネイティブ音声言語モデルAPI |
| 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。 |
| 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 | 音声と言語の直接的な対話; 公開されたモデルの重み; ホスト型API; ツール; リアルタイムセッション |
| 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 | 電話／PSTN; API／SDK |
| 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。 | ネイティブ音声言語モデル |
| 電話連携 | 公開資料で確認できません | 公開資料で確認できません |
| 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。 | 従量制とProプランは、公開されている分単位料金と月額料金を組み合わせています。Enterpriseは個別見積もりで、SIPは別料金です。 |
| 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。 | 無料枠は30分。従量制は1分あたり$0.05、Proは月額$100、SIPは約1分あたり$0.005です。 |
| 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。 | 無料枠は30分。公開されたライセンスの下でモデルの重みも利用できます。 |
| 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。 | Ultravoxは別個のASR段階を設けないネイティブ音声処理を文書化し、Consoleでの試作とREST／SDK連携の両方を、自社の電話基盤と組み合わせて提供します。 |
| 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。 | モデルの重みが公開されていても、ホスティング、遅延対策、安全対策、評価、音声、電話連携の作業は残ります。ライセンスとSLAを確認してください。 |
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。
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。
Ultravoxは別個のASR段階を設けないネイティブ音声処理を文書化し、Consoleでの試作とREST／SDK連携の両方を、自社の電話基盤と組み合わせて提供します。
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。
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。
