電話向けリアルタイムSpeech-to-Speech AI APIおすすめ比較（2026年）

2026年の電話向けリアルタイムSpeech-to-Speech AIサービスのおすすめは、Retell AI、OpenAI Realtime API、OpenAI GPT-Live-1、Google Gemini Live API、Amazon Nova 2.5 Sonic、Deepgram Voice Agent API、AssemblyAI Voice Agent APIです。

本番環境の電話通話であれば、Retellが最適です。Speech-to-Speechモデルを、電話回線に必要なテレフォニー、通話転送、テストで包み込んでいるからです。他の6つはモデルまたはパイプラインのAPIです。音声ループは提供されますが、電話システム、人間への引き継ぎ、QAの大部分は自分で用意する必要があります。

このリストはRetell AIが公開しており、Retell AI自身も比較対象の1つです。競合の価格と機能は、2026年10月22日時点で各ベンダーの公開価格ページ、モデルページ、ドキュメントページから取得したもので、引用箇所にリンクを掲載しています。

選定と比較の方法。ライブ音声を受け取ってリアルタイムに音声を返し、電話番号の背後に配置できるすべてのAPIを対象としました。OpenAI、Google、AmazonのネイティブSpeech-to-Speechモデル、DeepgramとAssemblyAIの2つの一体型音声エージェントAPI、そしてプラットフォーム層としてのRetellです。ベンダーが公開している情報のみを用い、5つの基準（後述）で比較しました。テスト通話やレイテンシテストは実施していないため、本記事にはスコアやレイテンシの数値は掲載していません。

要点まとめ

• ネイティブSpeech-to-Speechモデル：OpenAI gpt-realtime-2.1、OpenAI GPT-Live-1、Gemini 3.8 Live、Amazon Nova 2.5 Sonicは、1つのモデルで音声を受け取り、音声を返します。
• 一体型の音声エージェントAPI：DeepgramとAssemblyAIは、音声認識（speech-to-text）、LLM、音声合成（text-to-speech）を1つのWebSocketと1つの分単価で提供します。
• 公開されている分あたり音声料金の最安値：Gemini 3.8 Liveで、入力が1分あたり$0.005、出力が1分あたり$0.018です。Googleが100万音声トークンあたり$3および$12から換算した数値です。
• 定額の分単価：GPT-Live-1は音声層が1分あたり$0.05（バックエンドモデルは別途課金）、Deepgramは1分あたり$0.075から、AssemblyAIはすべて込みで1分あたり$0.075です。
• 直接SIP接続：OpenAIはRealtime APIとLiveセッションの両方でSIP通話を受け付け、AssemblyAIは自社のTwilioアカウント経由でSIPを受け付けます。Gemini Liveについては、GoogleのドキュメントでLiveKitやPipecatなどのパートナー統合が案内されています。
• 本番運用の電話エージェント：RetellはOpenAIのリアルタイムモデル、Grok Voice、または標準的なLLMパイプラインで動作し、ウォームトランスファー（事前取次）、IVRナビゲーション、シミュレーションテスト、通話後分析を追加します。

7つのAPIの比較

重要なのは、モデルを買うのか、電話エージェントを買うのかという違いです。下の表は、各選択肢の概要、電話通話の接続方法、2026年10月22日時点の公開価格を示しています。

各APIの比較方法

ブラウザのデモでは見えず、電話通話で初めて表面化する5つの点を確認しました。

1. テレフォニー経路。メディアサーバーを自分で運用せずに、PSTN通話がモデルに届くか。
2. 実環境でのターンテイキング。ベンダーはライブ通話での割り込み処理を文書化しているか。
3. 発話中のツール呼び出し。エージェントは話し続けながら注文を検索できるか。
4. 人間への引き継ぎ。ウォームトランスファーが組み込まれているか、それとも自前のコードが必要か。
5. 予測可能なコスト。課金は分単位かトークン単位か、従量メーターの対象外となるものは何か。

ベンダーが公表するレイテンシは測定方法が異なり比較できないため、本記事では掲載していません。

Retell AI

Speech-to-Speechモデルが実際の電話通話に耐える必要がある場合、Retell AIが最適です。番号、引き継ぎ、留守番電話、テストなど、モデルの周辺で通話を処理するからです。

RetellのAPIには、サポートされるモデルの選択肢の1つとして、OpenAIのgpt-realtimeファミリー（gpt-realtime-2.1、gpt-realtime-2など）やGrok Voice 3.0を含むSpeech-to-Speechの選択肢が掲載されています。任意のLLMを使った標準パイプラインでエージェントを動かすこともでき、どちらの場合でも同じテレフォニー、通話転送、テストを利用できます。APIリファレンスのモデルオプションをご覧ください。

難しい通話での実績として、Cekuraは規制対象のMedicareワークフロー1つを用いて、6つの音声プラットフォーム（Retell、ElevenLabs、Pipecat、LiveKit、Synthflow、Vapi）を対象に414通話のベンチマークを実施しました。3回の実行すべてで合格したチェックのみを数えた結果、Retellは23項目の評価のうち22項目に合格し、ワークフロー精度95.7%でトップとなりました。難しいケースには、開示事項の説明を遮ってプランの詳細を求める発信者、受給者の代理で電話する家族、薬がプランの対象になると約束するようエージェントに求める発信者などが含まれていました。これは1つのワークフローにおけるプラットフォームのベンチマークであり、Speech-to-Speechモデルの比較ではありません。

モデルに加えて得られるもの：

• テレフォニー：ダッシュボードで米国またはカナダの番号を購入するか、SIPトランキング経由で既存の番号をインポートできます。TwilioやVonageにも対応しています。
• 引き継ぎ：コールド、ウォーム、エージェント型の通話転送で担当者に引き継げます。ウォームトランスファーでは文脈に沿ったブリーフィングも伝えます。
• アウトバウンドテレフォニー：留守番電話検出と、他社の電話メニューを操作するIVRナビゲーション。
• テストとQA：ローンチ前のシミュレーションテスト、本番通話での通話後分析とAI品質保証。

料金：Retellの料金ページによると1分あたり$0.07から。

注意点：Retellはプラットフォームであり、生のモデルendpointではありません。音声パイプラインのすべてのフレームを自分で管理したい場合は、モデルAPIから始めてください。

OpenAI Realtime API（gpt-realtime-2.1）

OpenAI Realtime APIは、GPTの推論を備えた生のSpeech-to-Speechモデルを使い、電話スタックの残りを自社で構築したいチームに最適です。

gpt-realtime-2.1は音声を受け取って音声を返し、推論レベルの設定とfunction callingに対応しています。gpt-realtime-2から、英数字の認識、無音やノイズの処理、割り込み時の挙動が改善されています。OpenAIは両モデルに同じ価格を設定しています。

別途ブリッジを用意せずに電話に応答することもできます。OpenAIのSIPガイドによると、SIPトランクをOpenAIのSIP endpointに向け、各通話をcall IDで受け入れまたは拒否し、SIP REFERで転送できます。

料金：音声入力トークンは100万あたり$32、音声出力トークンは100万あたり$64、テキストトークンはそれぞれ100万あたり$4と$24です。推論レベルを上げると、レイテンシと出力トークンの使用量が増える可能性があります。

注意点：コンテキストが蓄積されるため、トークン課金は会話が長くなるほど増えます。録音、QA、リトライ、人間へのエスカレーションのロジックは自分で構築する必要があります。

OpenAI GPT-Live-1

GPT-Live-1は、音声モデル内に推論を持つことよりも自然なターンテイキングを重視する場合に最適です。聞きながら同時に話す全二重（full-duplex）モデルで、推論とツールの使用はバックエンドのエージェントに委ねます。GPT-Live-1ガイドでは、この分担が電話エージェントでどのように機能するかを解説しています。

Realtime endpointではなくOpenAIのLiveセッションendpointで動作するため、gpt-realtime-2.1とそのまま置き換えることはできません。OpenAIの音声およびSIPガイドによると、インバウンド通話はSIP経由で届き、アウトバウンドのSIP発信は組織で有効化されるとLive APIで利用できます。呼び出しは3分、接続された通話は2時間が上限です。

料金：セッション1分あたり$0.05（秒単位課金）で、バックエンドモデルとツールの使用料は別途課金されます。

注意点：同時接続数はティアごとに上限があり、Buildで50セッション、Launchで300、Growで500です。また、インバウンドSIPにはプロジェクトでGPT-Live SIPサポートを有効にする必要があります。

Google Gemini Live API

Gemini Live APIは、公開価格のなかで分あたりの音声料金が最も低い選択肢です。Gemini 3.8 LiveとGemini 3.8 Live Extended Thinkingは2026年9月15日に一般提供（GA）となり、Googleの料金ページではどちらも音声入力が1分あたり$0.005、音声出力が1分あたり$0.018と記載されています。これらの分単価は100万音声トークンあたり$3および$12と併記されており、別のメーターではなく換算値です。

Extended Thinkingモデルは通話中のバックグラウンド推論に対応しています。有料ティアではGoogle検索によるグラウンディングも利用でき、月5,000件の検索リクエストまで無料、それ以降は1,000件あたり$14です。

注意点：GoogleのLive APIガイドにはLiveKitやPipecatなどのパートナー統合が掲載されていますが、SIPトランクの経路については記載がないため、Live APIの前段にブリッジを用意する前提で計画してください。出力料金には思考トークンが含まれるため、分単価は最低額です。

Amazon Nova 2.5 Sonic

Amazon Nova 2.5 Sonicは、すでにAWS Bedrockで開発しているチームにとって標準的な選択肢です。AWSは2026年10月5日に一般提供を開始しました。推論、指示への追従、ツール呼び出しの精度が向上し、レイテンシが低減されたほか、7言語の表現豊かな音声、制御可能なターンテイキング、非同期のツール呼び出し、256Kのコンテキストウィンドウを備えています。

AWSのStrands Bidi Agentsフレームワークも一般提供が開始されており、数行のコードで音声エージェントを構築する手段として提供されています。

料金：AWSはNova 2.5 SonicをNova 2 Sonicと同価格としています。最新のトークン単価は動的に読み込まれるため、Amazon Novaの料金ページでご確認ください。

注意点：利用できるのは4つのBedrockリージョン（バージニア北部、オレゴン、ストックホルム、東京）で、7言語という対応範囲は本記事の他の選択肢より狭いものです。発表には電話の接続経路が記載されていないため、採用前に通話をモデルに届ける方法を確認してください。

Deepgram Voice Agent API

DeepgramのVoice Agent APIは、Deepgramの音声認識を使いつつ、独自のLLMや音声を持ち込める選択肢を求めるチームに最適です。音声認識、LLM、音声合成を1つのWebSocketと1つの分単位メーターで提供し、DeepgramのドキュメントにはTwilioとPlivo向けのインバウンド・アウトバウンド電話エージェントのガイドがあります。

料金：Standardの従量課金ティアで1分あたり$0.075、Advancedで$0.163です。独自のLLMやTTSを持ち込む場合は料金が下がります。

注意点：ネイティブのSpeech-to-Speechモデルではなく、カスケード型のパイプラインです。従量課金アカウントではVoice Agentの同時接続数が45（Growthでは60）に制限されており、キャンペーンで初めて一斉発信するときに影響します。

AssemblyAI Voice Agent API

AssemblyAIのVoice Agent APIは、名前、口座番号、住所など、文字起こしの精度がエージェントの成否を左右する場合に最適です。AssemblyAIのUniversal-3.6 Pro Realtime音声モデル、LLM、TTSを1つのWebSocketの背後で実行します。

料金：AssemblyAIの料金リファレンスによると、音声認識、LLM、TTSを含めて1時間あたり$4.50（1分あたり$0.075）の定額で、セッション分単位で課金されます。電話通話については、AssemblyAIのドキュメントによるとTwilioがSIP経由でAssemblyAIに通話を渡すため、メディアサーバーやwebhookを運用する必要はありません。SIPトランクと番号はご自身のTwilioアカウントに置かれます。

注意点：Deepgramと同様にカスケード型であり、ネイティブの音声対音声ではありません。そのため各ターンで文字起こしは得られますが、トーンを直接聞き取るモデルではありません。

ネイティブのSpeech-to-Speechモデルとカスケード型パイプライン、どちらを使うべきか？

各ステップの制御よりもトーンや素早いターンテイキングが重要ならネイティブのSpeech-to-Speechモデルを、エージェントが聞き取った内容を確認・修正する必要があるならカスケード型パイプラインを使います。ネイティブモデルは音声を受け取って音声を返し、別途の文字起こしステップはありません。カスケード型パイプラインでは各ターンで文字起こしが得られるため、誤った口座番号のデバッグやコンプライアンス上のスクリプトの順守がしやすくなります。

いずれの場合も、電話回線ではモデルが行わない作業が加わります。割り込み処理、転送失敗時の復旧、台本どおりに進まない通話に対するテストです。2つの設計の違いの詳細は、リアルタイム音声AIの仕組みをご覧ください。カスケード型エージェントの背後で使う推論モデルを選ぶ場合は、AI音声エージェントに最適なLLMとおすすめの音声認識（speech-to-text）モデルをご覧ください。

自社の通話に合ったAPIの選び方は？

通話がどこに着信し、障害の責任を誰が負うかから考えます。次の4つの質問で決まります。

1. 通話は電話網から来るか？そうであれば、運用したくないブリッジを必要とするものは除外するか、テレフォニーを含むプラットフォームを選びます。キャリア側についてはSIPトランキングと最新のテレフォニーのガイドで解説しています。
2. エージェントが答えられないときはどうなるか？担当者が文脈を引き継いで対応する必要があるなら、単に切断するendpointではなく、ウォームトランスファーが必要です。
3. 請求額を予測できるか？分単位の料金（GPT-Live-1、Deepgram、AssemblyAI）は、長い通話ほど1分あたりのコストが高くなるトークン単位の料金より予算を立てやすくなります。
4. 失敗した通話を誰が直すか？エンジニアではなく運用チームがpromptやフローを調整するなら、テストとバージョン管理が組み込まれたプラットフォームを選びましょう。

よくある質問

Speech-to-Speech AI APIとは何ですか？

Speech-to-Speech AI APIは、発信者の音声を受け取り、別途の文字起こしや音声合成のステップを介さずに、1つのモデルから音声で応答を返します。OpenAI gpt-realtime-2.1、GPT-Live-1、Gemini 3.8 Live、Amazon Nova 2.5 Sonicがこの方式です。

電話通話で最も安いSpeech-to-Speech APIはどれですか？

Gemini 3.8 Liveが分あたりの音声料金で最も低く、音声入力は1分あたり$0.005、音声出力は1分あたり$0.018です（Googleが100万音声トークンあたり$3および$12から換算）。実際のコストには、テレフォニー、運用するブリッジ、そして出力として課金される思考トークンが加わります。AWSはNova 2.5 SonicをNova 2 Sonicと同価格としており、OpenAIはRealtime APIをトークン単位で課金するため、自社の通話時間で比較してください。

OpenAI Realtime APIを電話番号に接続できますか？

はい。TwilioなどのキャリアからSIPトランクをOpenAIのSIP endpointに向け、各通話をcall IDで受け入れます。転送にはSIP REFERを使います。

RetellはSpeech-to-Speechモデルに対応していますか？

はい。RetellのAPIには、OpenAIのgpt-realtimeファミリーやGrok Voice 3.0を含むSpeech-to-Speechの選択肢が掲載されています。また、Retellのエージェントは、選択したLLMを使った標準パイプラインで動かすこともできます。テレフォニーと通話転送の機能はどちらの場合も同じです。

AIエージェントが回答できない場合はどうなりますか？

モデルAPIでは、エスカレーションのロジックを自分で書きます。Retellでは、エージェントがコールド、ウォーム、エージェント型の通話転送で担当者に引き継げます。ウォームトランスファーでは文脈に沿ったブリーフィングが伝わるため、発信者が同じ説明を繰り返す必要はありません。

既存の電話番号をそのまま使えますか？

Retellでは使えます。新しい番号を購入する代わりに、SIPトランキング経由で既存の番号をインポートできます。モデルAPIの場合は、運用するSIPトランクやブリッジによって異なります。

自社の通話で試してみましょう

デモ用のスクリプトではこれらのAPIの違いはわかりません。違いがわかるのは自社の実際の通話です。Retellのエージェントを無料で構築し、Speech-to-Speechモデルか標準モデルを選んで、チームが最も難しいと感じる通話で試してみてください。