機能、料金、適合性
Gemini Live APIとVapiの音声機能、料金、適合性を比較します。
Gemini LiveとVapi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.
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。
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。
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 · 会話フロー構築ツール.
Gemini Liveの確認日：2026-09-28、Vapi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。 Vapi：利用量に応じたホスティング料金にモデルと電話の実費が加算されます。Scaleには年間契約、利用量の確約、ボリューム料金が適用されます。 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。Vapi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。 Vapi：選択する各プロバイダーの費用を見積もってください。プロンプト、ツール、通信事業者の設定、コンプライアンス、信頼性は購入者側の責任です。
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 | Vapi |
|---|---|---|
| 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 | 音声エージェントAPI・オーケストレーションプラットフォーム |
| 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。 | 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。 |
| 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 | プロバイダーの選択; ツール; テスト; 分析; 着信・発信通話 |
| 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; SIP; ウェブの音声機能; 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。 | STT–LLM–TTSおよびOpenAI Realtimeを含む、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 | 管理された電話番号; 既存の電話基盤を利用可能; SIP |
| 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。 | 利用量に応じたホスティング料金にモデルと電話の実費が加算されます。Scaleには年間契約、利用量の確約、ボリューム料金が適用されます。 |
| 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。 | ホスティングは1分あたり$0.05で、プロバイダーと電話の費用が別途加算されます。60分、10通話、月額$10の電話番号が掲載されています。 |
| 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。 | VapiはSTT、LLM、TTSを個別の構成要素として提供し、OpenAI Realtimeの選択肢も文書化しています。同じプラットフォームで電話、ウェブ、SDK、テスト、ツール呼び出しに対応します。 |
| 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。 | 選択する各プロバイダーの費用を見積もってください。プロンプト、ツール、通信事業者の設定、コンプライアンス、信頼性は購入者側の責任です。 |
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。
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。
VapiはSTT、LLM、TTSを個別の構成要素として提供し、OpenAI Realtimeの選択肢も文書化しています。同じプラットフォームで電話、ウェブ、SDK、テスト、ツール呼び出しに対応します。
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。
