音声エージェント(Voice Agent)とは・意味、組み立て方・主なサービス・事例

音声エージェントとは?
音声エージェント(Voice Agent)とは、利用者と声で会話しながら質問に答え、予約の変更などの作業も進めるAIエージェントのこと。英語では「Voice Agent」と表記する。OpenAI は開発者向けの文書で、利用者がアプリに話しかけて、質問をしたり作業を済ませたりできるものと説明している。
OpenAI と Microsoft は、日本語の発表や文書で「音声エージェント」と表記する。国内の企業の発表では、ENEOS が「音声AIエージェント」、ELYZA が「音声対話AIエージェント」と呼んでいる。
ELYZA は、自社の音声エージェントを会話や案内だけで終わらせないことを目指している。同社の説明では、この音声エージェントは利用者の話から用件を聞き取り、企業のルールに沿って判断したうえで業務のシステムとつないで手続きまで進めるよう設計されている。
音声エージェントの組み立て方
OpenAI は文書で、音声エージェントを作るときの大きな選択を、声と推論・ツールのつなぎ方だとしている。同社はそのうえで、組み立て方を表のように分けて示す。
| 構成 | 処理の流れ | OpenAI が挙げる適した場面・選ぶ理由 |
|---|---|---|
| 音声認識・エージェント・音声合成をつなぐ | 話し言葉を文字にし、エージェントが処理し、答えの文字を声にする。アプリが3つの段階を受け持つ | 途中の文字を確かめたり書き換えたり、部品を1つずつ取り替えたりしたいとき |
| 1つのモデルで声を扱う | 1つのモデルが声を聞き取り、することを決め、声で答える | 声の理解と推論、ツールの利用を1つのセッションで行いたいとき |
| 会話と裏の作業を分ける | 聞くことと話すことを同時に行うモデルが会話を受け持ち、推論とツールの利用は別のモデルやエージェントに任せる | 今ある文字の作業の流れを残し、裏で動く仕組みを別に選びたいとき |
文字を介す方法は途中を確かめやすい
OpenAI は、音声認識と音声合成の間で文字を確かめたり変えたりしたいときに、音声認識からエージェント、音声合成までを順につなぐ方法を勧める。同社が挙げる使い方の例では、やり取りを文字で残し、答える前に方針に合うかを確かめる。社内のシステムも呼び出し、承認された答えに行き着いてから声にする。
OpenAI は2024年10月の発表で、音声認識と文章のモデルと音声合成を順につなぐ方法の弱みを挙げた。この方法では感情や強調、なまりが失われることが多く、遅れも目立ったという。
1つのモデルで声を聞き取って答える
OpenAI の Realtime API は、1つのモデルと API で声を直接受け取り、声を生成する。同社は2025年8月の発表で、遅れが縮まり、声の細かな調子も保てると説明した。
Realtime API では、モデルが関数を呼び出せる。たとえば、利用者の代わりに注文したり、顧客の情報を取り出したりすることができる。Realtime API は2025年8月、外部のツールとつなぐMCPのサーバーや、電話網につなぐための SIP(セッション開始プロトコル)にも対応した。
聞きながら話すモデルが重い作業を別のモデルに任せる
OpenAI が2026年7月に発表した GPT-Live は、全二重の仕組みで、聞くことと話すことを同時に行う。GPT-Live は相づちを打ったり、相手が考えているあいだ黙って待ったりできる。
ChatGPT の高度な音声モードのような、順番に話す型の音声モデルは、利用者が話し終えるのを待ってから答えていた。話し終えたかどうかを沈黙で判断するため、短い間や周りの物音を話の終わりと取り違え、不自然なところで割り込むことがあった。
GPT-Live は、検索や深い推論が必要な質問を、背後で別のモデルに任せることができる。任せた作業が続くあいだも、会話は止めずに続ける。2026年9月10日には API でも一般提供が始まり、開発者は OpenAI のモデルか、自分で用意した仕組みを裏の作業に使える。
音声エージェントを作る主なサービスと提供状況
| サービス | 提供元 | 仕組み | 提供状況 | 料金体系 |
|---|---|---|---|---|
| GPT-Live(API) | OpenAI | 会話を受け持つモデルが、推論とツールの利用を別のモデルや仕組みに任せる | 2026年9月10日に API で一般提供。11月2日から、すべての組織が電話の発信に使える | 音声のセッションは1分あたり0.05ドルで、秒単位の課金。裏で使うモデルとツールは別に課金 |
| Realtime API | OpenAI | 1つのモデルが声を聞き取り、ツールを使い、声で答える | 2025年8月28日に一般提供 | 使ったトークンの数に応じた課金 |
| Voice Live API | Microsoft | 音声認識、生成AI、音声合成を1つの API にまとめる。GPT-Realtime や GPT-5 などからモデルを選ぶ | 一部のモデルはプレビュー | 選んだモデルに応じて、Pro・Standard・Lite の3つの価格の階層のどれかがかかる |
| Gemini Live API | 声や映像、文字の途切れない入力を処理し、話し言葉で答える | 推奨のモデルの gemini-3.8-live と gemini-live-2.5-flash-native-audio は一般提供 | 入力と出力のトークンの数に応じた課金。声は1秒を25トークンとして数え、前のやり取りのトークンも設定した上限までターンごとに数え直す |
※2026年11月時点
外部とつなぐ方法も、サービスによって違う。OpenAI は SIP で電話網とつなぐ。Google は、Daily、LiveKit、Twilio、Voximplant の各社が Gemini Live API を WebRTC という通信の方式で組み込み済みだとしている。この組み込みは、声や映像をその場でやり取りするアプリを作りやすくするためのものだという。
音声エージェントが広まった背景
OpenAI は2024年10月、声を直接やり取りできる Realtime API の公開ベータ版を出した。同社の説明では、開発者は言語の学習や教育のソフト、顧客の支援などで、すでに声の体験を使っていた。同社は、2025年8月に一般提供を始めた際の日本語の発表の題を「本番環境の音声エージェントに対応する gpt-realtime と Realtime API に更新が登場」とした。
Salesforce は Cresta の買収の発表で、顧客がもっとも重大な問題を相談するのは声の窓口で、その場で正しく応じる必要があると説明した。
音声エージェントに関する主な出来事・ニュース
- 2024年10月1日 OpenAI「Realtime API」を公開:OpenAI は、声と声で会話するアプリを作れる Realtime API の公開ベータ版を、有料の開発者すべてに向けて出し始めた。
- 2025年8月28日 OpenAI「gpt-realtime」と Realtime API の一般提供を発表:OpenAI は、本番環境の音声エージェントに向けた Realtime API の一般提供と新しい音声のモデル gpt-realtime を発表した。
- 2026年7月8日 OpenAI「GPT-Live」を発表:OpenAI は、聞くことと話すことを同時に行う音声モデル GPT-Live を、ChatGPT の利用者に順次提供し始めた。
- 2026年9月10日 OpenAI、GPT-Live-1 を API で提供開始:OpenAI は、ChatGPT で先に提供した GPT-Live-1 を、開発者が API で使えるようにした。
- 2026年11月2日 Salesforce、Cresta の買収で最終合意:Salesforce は、音声エージェントを手がける Cresta を買収する最終契約を結んだと発表した。
音声エージェントに関する事例
Cresta は込み入った顧客の電話に対応
Salesforce は2026年11月2日、Cresta の買収で最終契約を結んだと発表した。同社の説明では、Cresta の音声エージェントは込み入った顧客の電話に最初から最後まで対応し、話を遮られても会話を続ける。Marriott、Comcast、Alaska Airlines などの大手の企業が使っているという。
Cresta の基盤には、音声エージェントのほかに担当者へその場で助言する機能もある。この基盤は音声エージェントを試して改善し、担当者とエージェントの両方に同じ品質の基準を適用する。Salesforce は、顧客対応の Service Cloud と組み合わせる方針だ。買収の完了は、規制当局の承認などを条件に、同社の2028年度の第1四半期を見込む。
ENEOS は充電器の故障の問い合わせで実証
ENEOS は2026年2月、電気自動車の充電サービス ENEOS Charge Plus のコールセンターで、音声AIエージェントを使う実証を始めると発表した。発表の時点の予定では、期間は2026年2月16日から3月13日までの平日で、使うのは Verbex が手がける音声AIエージェントだ。対象は、充電器の故障についての問い合わせを選んだ利用者だ。
ENEOS は、応対の中身をそろえることと、待ち時間を短くすることを目指すとした。音声AIエージェントで解決できないときに、すぐオペレーターへ引き継ぐ仕組みも確かめるとした。
ELYZA は手続きまで進める音声エージェントを開発
ELYZA は2026年10月2日、電話やアプリの問い合わせに答える「ELYZA Voice Agent」を開発したと発表した。予約の変更や契約の中身の更新、申請の受け付けなどを、業務のシステムとつないで進め、結果の確認まで支えるよう設計したという。発表の時点では、実際の現場への導入に向けて検証を進めていた。
音声エージェントのなりすまし対策と確かめ方
AIとの会話であることの開示と声の保護策
OpenAI は2025年8月の発表で、AIと話していることが文脈から明らかな場合を除き、開発者がそのことを利用者にはっきり伝える必要があるとした。悪用する人がほかの人になりすますのを防ぐため、Realtime API ではあらかじめ用意した声を使うとも、同社は説明した。
その後 OpenAI は2025年12月、録音から作る独自の声を、条件を満たす顧客に限って使えるようにした。録音から声を作るときは、声の持ち主が決まった同意の文を読み上げた録音も必要だ。
OpenAI は2026年10月16日、文字の説明から声を作る機能を API のすべての顧客に広げた。作った声は GPT-Live で使える。同社は、文字の説明で声を作るときに、名前のある人や有名人、架空の人物の声のまねを求めないよう定めている。
ChatGPT の GPT-Live は、あらかじめ用意した声を使い、実在する人の声をまねないための保護策を備える。OpenAI は2026年7月31日の更新で、GPT-Live で作った対応する音声に電子透かしの SynthID が付くようになったと発表した。
米国の連邦通信委員会(FCC)は2024年2月8日、AIで作った声を使った電話についての法の解釈(宣言的判断)を全会一致で採択したと発表した。この判断で FCC は、そうした電話の声が電話消費者保護法(TCPA)の定める「artificial」(人工的な)声に当たると認めた。発表の題では、自動でかける電話でのAIの声を違法にしたとしている。
会話と処理の結果の評価
OpenAI は、音声エージェントを評価するときは会話と終えた作業の両方を確かめるよう勧めている。予約の例では、確認の声を聞くだけでなく、正しい予約が保存されたかも見る。GPT-Live の評価では、声で伝えた確認が実際に済ませた処理と合っているかも確かめるよう挙げている。
加えて、OpenAI は GPT-Live の評価で、なまりや周りの物音、言語の切り替え、人の名前や数字を聞き取れるかを試すよう勧めている。ENEOS は実証で、AIで解決できない問い合わせをすぐオペレーターへ引き継ぐ仕組みも確かめるとした。
音声エージェントに関連する用語
- MCP(Model Context Protocol):AIのアプリを外部のデータや道具とつなぐための、オープンソースの共通の規格。
- 電子透かし:画像や音声、文章などのデータに、目印となる情報を埋め込む技術。
音声エージェントに関する出典
OpenAI「Voice agents」
OpenAI「本番環境の音声エージェントに対応する gpt-realtime と Realtime API に更新が登場」(2025年8月28日)
OpenAI「Introducing the Realtime API」(2024年10月1日、2025年8月28日更新)
OpenAI「GPT-Live の紹介」(2026年7月8日、7月31日更新)
OpenAI「Changelog | OpenAI API」
OpenAI「Pricing | OpenAI API」
Microsoft「Voice Live API の概要」(2026年10月26日更新)
Google Cloud「Gemini Live API overview」(2026年11月6日更新)
Google Cloud「Agent Platform Pricing」
ENEOS「ENEOS Charge Plus コールセンター業務における音声AIエージェントを用いた実証実験を開始」(2026年2月12日)
ELYZA「ELYZA、音声対話AIエージェント「ELYZA Voice Agent」を開発」(2026年10月2日)
Salesforce「Salesforce Signs Definitive Agreement to Acquire Cresta」(2026年11月2日)
Federal Communications Commission「FCC Makes AI-Generated Voices in Robocalls Illegal」(2024年2月8日)
OpenAI「Custom voices | OpenAI API」
OpenAI「API の GPT‑Live‑1 で、より自然な音声体験を構築」(2026年9月10日)




