なぜGemini 3.8 Live Avatarの先を見るのか
まずGoogleに公平であるべきです。この製品にはそれだけの価値があります。Gemini 3.8 Live Avatarは、聞きながらカメラと画面を見て、バックグラウンドで非同期ツール呼び出しを実行し、たとえば会話の途中でホテルのチェックインを済ませることができます。さらに、顔がずれることなく言語を検出して切り替えます。ラボがこれまでに出したライブエージェントのデモの中で、最も完成度の高いものの一つです。
問題はアクセスとロックインです。Gemini Enterprise内で一般提供されたため、週末にAPIキーで試せるものではなく、Google Cloudへの契約が前提です。自分の参照映像から作るカスタムアバターは許可リストと確認手順の後ろに置かれており、初日にブランドの顔をすぐ立ち上げることはできません。そして一度その上に構築すると、ライブエージェントは完全にGoogleのエコシステムの中で動くことになります。
比較の前に知っておくべきコストもあります。Live APIでは、アバター動画のメーターはアバターの発話時間でおよそ1分あたり$0.37になります（待機中ではなく、話している間だけ課金）。法外ではありませんが、サポートの規模では本物の費用であり、比較の前提も変わります。無料の特典を選ぶのではなく、分単位課金の製品を選ぶということです。だからこそ代替サービスをきちんと見る価値があります。
代替サービスの考え方
ここで取り上げる7つのツールは、実際には1つのカテゴリではありません。3つに分かれ、自分がどのレーンにいるかを知れば、無駄な試用を大きく減らせます。アバターを超えた幅広い選択肢については、AIカスタマーサービスツールのまとめがテキスト中心の選択肢もカバーしています。
- ビデオアバター（話す顔）：HeyGen、Tavus、D-ID、Soul Machines、Synthesia。返答に合わせて口を動かす動く人間を描画します。Gemini 3.8 Live Avatarが行うことに最も近いタイプです。
- 音声のみ（顔なし）：OpenAI Realtime APIとElevenLabs。同じリアルタイムの会話で、描画された顔はありません。安く、シンプルで、サポートや営業の用途が本当に必要とするのはこれだけということも多いです。市場全体を比べているなら、会話型AIのメリットのガイドが良い入門になります。
- 大手ラボのライブモデル：Gemini 3.8 Live Avatar自体と、OpenAI Realtime APIのように、モデルとメディアパイプラインが1つのフロンティアラボから提供されるもの。
多くの比較記事が飛ばす部分がここです。3つのレーンすべてのツールが、同じ最上位の層で競っています。顔、声、ターン交代、遅延です。そのどれも、サポート会話が実際に成功するか失敗するかが決まる、その下の層には触れません。
なぜその判断層が難しい部分なのかは、後で戻って説明します。まずはツールからです。
代替サービス一覧
| ツール | 最適な用途 | 顔か声か | リアルタイム遅延（ベンダー主張） | 課金単位 | 入門価格 | 目立つ制限 |
|---|---|---|---|---|---|---|
| HeyGen LiveAvatar | 大規模なブランド向けビデオアバター | ビデオアバター | 最初のフレームまで<300ms | ストリーミング1分あたりのクレジット | Free ($0、10クレジット)；Essential $99 | $0.01/minはEnterpriseのみ |
| Tavus | ライブビデオエージェントを組み込む開発者 | ビデオアバター | 描画約134ms、往復1秒未満 | 会話ビデオ1分 | Free (25分)；Starter $59 | ターン交代への不満；開発者向けへの転換 |
| D-ID | RAG付きのノーコードストリーミングアバター | ビデオアバター | 2秒未満 | 月ごとの共有分数プール | 14日間トライアル；API Build $14.40 | 繰り越しなしのプール；課金への苦情 |
| Soul Machines | 感情表現が豊かなデジタルヒューマン | ビデオアバター | 非公開 | インタラクティブ会話の分数 | Free (構築のみ)；Basic $12.99 | 急激に高くなる；レビューが少ない |
| Synthesia | 大規模な企業向けビデオ | ビデオアバター（主に非同期） | 該当なし（中核は事前レンダリング） | クレジット、ライブは別途分単位 | Free ($0)；Starter $19 | 中核製品はリアルタイムではない |
| OpenAI Realtime API | 自分の音声エージェントの構築 | 音声のみ | 低い（音声対音声） | 音声トークン | 音声入力100万トークンあたり$32 | 顔なし；部品であり完成したエージェントではない |
| ElevenLabs | 人間らしい声の音声エージェント | 音声のみ | 1秒未満（主張） | 通話分数 | Free (15分)；Starter $6 | コストが積み上がる；ダウングレードでクレジット失効 |
では、それぞれの詳細です。
1. HeyGen LiveAvatar
最適な用途： 最小限のインフラで、洗練されたブランドのトーキングヘッドアバターを実際のユーザーに配信したいチーム。
HeyGenはリアルタイム製品をLiveAvatarに改名しました。ここで最もすぐ使えるビデオアバターです。HeyGenによれば、1080pのアバターを最初のフレームまで300ms未満で配信し、同時接続は無制限で、約5分で組み込めます。構築モードは2つあります。HeyGenが音声とレンダリングのスタック全体を動かすFULLと、自分のLLMと音声合成を持ち込むLITEです。
料金。 LiveAvatarはクレジットで課金され、比率はモードによります。FULLは1分あたり2クレジット、LITEは1分あたり1クレジットです。プランはFree（$0、10クレジット、透かし入り、2分セッション）、Essential（1,100クレジットで$99）、Business（6,000クレジットで$475）、Enterpriseです。見出しの「大規模で$0.01/min」は事実ですが、適用されるのはEnterpriseティアのみで、ヘルプセンターはそれを約$40,000を超える予算としています。これはHeyGenの中核の動画プランとは別です。
率直な制限。 <300msという数字は新プラットフォームについての主張で、一部には、旧HeyGen Streaming Avatar SDKが開発者フォーラムで実運用の遅延が数秒に及ぶという評判だったことが背景にあります。低遅延が決め手なら、導入前に自社のトラフィックで測定してください。
評価： 見栄えの良いブランドアバターをユーザーの前に出す最も簡単な方法です。ただしクレジットの計算には注意してください。FULLモードは、見出しのLITE料金から想像するより2倍の速さで消費されます。
2. Tavus
最適な用途： リアルタイムのビデオエージェントを組み込みたく、描画のリアルさと遅延を重視するエンジニア。
TavusはConversational Video Interfaceを作っています。APIで操作する完全なリアルタイムビデオパイプラインです。モデルスタックは珍しく具体的で、知覚にRaven、ターン交代にSparrow、そしてレンダラーのPhoenixがあり、Tavusは約134msの描画と1秒未満の会話往復を達成すると主張しています。LLM、音声合成、WebRTCがすべて分単位の料金に含まれるため、1つのAPIが、本来つなぎ合わせる5〜6社のベンダーを置き換えます。
そのリアルさは、試した人に響きます。
"Felt like talking to a person, I couldn't bring myself to treat it like a piece of code, that's how real it felt."
料金。 Tavusはハイブリッド型で、月額料金に会話ビデオの分数が含まれ、超過は従量課金です。Basicは無料（月25分）、Starterは月$59（100分、以降$0.37/min）、Growthは月$397（1,250分、以降$0.32/min）です。カスタムフェイスのトレーニングは追加オプションで、Starterでは数回の無料トレーニングの後、1件$65です。
率直な制限。 同じデモから一貫して聞こえる不満は、ターン交代です。
"The AI kept cutting me off, and not leaving time in the conversation to respond. It would cut off utterances before the end."
Sparrowはまさにこれを直すために作られたので、今は良くなっているはずですが、割り込みの扱いは負荷テストすべき点です。Tavusは2026年に開発者向けへ転換したため、マーケター向けではなくエンジニア向けです。
評価： 開発者で、最もリアルなリアルタイムの顔が欲しく、統合作業を自分でやるなら最良の選択です。公開前に割り込みをテストしてください。
3. D-ID
最適な用途： APIだけでなく、組み込みのナレッジベースとノーコードの道を備えたストリーミングアバターが欲しいチーム。
D-ID Agentsは、クライアントSDK、REST API、バックエンド不要の埋め込みで構築できる、WebRTCでストリーミングされる会話型アバターです。各エージェントは、アバターとLLM（持ち込みも可）、RAGナレッジベース、会話メモリを組み合わせ、D-IDは「2秒未満で90%超の精度」を打ち出しています。気に入った人は、アバターの品質を本当に評価しています。
"For me at the moment the best live interactive Avatars on the market. Good lip Sync, really realistic."
料金。 D-IDにはStudioとAPIの2つの料金表があり、どちらも、動画、エージェント、翻訳をまとめてカバーする共有の月間分数プールに対してクレジットを課金します。API側では、Buildが月$14.40（最大32ストリーミング分）、Launchが月$35（最大90分）、Scaleが月$138.60（最大400分）です。14日間のトライアルはありますが恒久的な無料プランはなく、本格的なライブエージェントの量はEnterpriseの「カスタム分数」の相談になります。
率直な制限。 2点あります。分数プールは繰り越されず、未使用分は毎サイクルでリセットされます。そして評価が二極化しています。D-IDはTrustpilotで3.7/5で、課金への苦情（自動更新、返金拒否）が長く尾を引いています。一方、G2では約4.3/5です。課金条件はよく読んでください。
評価： RAGとノーコードの道が最初から入ったものが欲しいなら、堅実な中間の選択肢です。共有で繰り越されない分数プールと自動更新に注意してください。
4. Soul Machines
最適な用途： 最も感情表現が豊かで、自律的にアニメーションするデジタルヒューマンが欲しく、予算のあるブランド。
Soul Machinesは「Digital People」を販売しています。特許取得のDigital Brainが感覚、運動、注意のシステムをシミュレートし、顔が口パクだけでなく、リアルタイムに反応し感情を表します。LLMに依存せず、構築はSoul Machines Studioで行い、導入事例にはANZ、Mercedes-Benz、UCSFが挙がっています。表現力が重要なら、このカテゴリのリーダーです。
料金。 デジタルヒューマンのベンダーとしては珍しく、Studioには公開の料金表があり、構築専用のFreeティア、次にBasicが月$12.99（インタラクティブ40分）、Plusが月$99（350分）、Proが月$2,700（10,000分）です。Workforce Connect製品は年額$40,000の定額で、別途Zapierの契約が必要です。
率直な制限。 価格の上がり方が非常に急で、PlusからProまでおよそ27倍の跳ね上がりがあり、実際の展開規模が必要な場合、すぐに月数千ドルの帯に入ります。独立したレビューも少なく（G2には数件しかありません）、ユーザーの声の厚い蓄積というより、デモと導入ロゴを頼りに購入することになります。
評価： ブランドのキオスクや看板となるブランド体験のように、リアルな感情的存在感そのものが製品である場合に選びましょう。日常のサポートには過剰で、割高です。
5. Synthesia
最適な用途： 大規模な企業向けビデオ（研修、オンボーディング、社内コミュニケーション）。ライブ会話ではありません。
これには注意点があり、それこそが肝心な点です。Synthesiaの中核製品は、非同期の事前レンダリング動画です。スクリプトを書くとMP4が描画されます。ライブアバターとは正反対です。約2,000件のレビューでG2で4.7/5を得ており、多言語で洗練されたアバター動画を作るという本業で非常に優れています。
リアルタイム製品のInteractive Avatarsもありますが、標準の動画プランではなく、別の開発者向けAPI（LiveKit上に構築、LLMは持ち込み）です。
料金。 主要プランはFree（$0）、Starter（月$19）、Creator（月$89）、Enterpriseで、すべて動画の分数に換算される共有のクレジットプールで計測されます。FreeとStarterは月約10分の動画が上限です。リアルタイムのInteractive Avatars製品は別に分単位で課金され、最初に500分の無料枠があります。
率直な制限。 ライブの会話型アバターを求めて来たなら、Synthesiaの主力は形が合いませんし、そのリアルタイム層はHeyGenやTavusより新しく実績も少ないです。分数の上限が低いこと以外で最も多い不満は、生成が許される内容に対するコンテンツモデレーションの行き過ぎです。
評価： この一覧で、台本ありの企業向け動画に最適なツールで、リアルタイムの選択肢としては、そのInteractive Avatars APIを特に使いたい場合にのみ妥当です。この2つを混同しないでください。
6. OpenAI Realtime API
最適な用途： カスタム音声エージェントを構築する開発者で、フロンティアモデルが欲しく、顔は不要な場合。
OpenAI Realtime APIは、アバターを除けば、Geminiのライブ機能に最も近い大手ラボの対抗馬です。ネイティブの非同期ツール呼び出し、リモートMCP、SIP電話に対応した音声対音声のインフラ（音声入力、音声出力）で、すべてWebRTCまたはWebSocket上で動きます。エージェント、つまり指示、ツール、ガードレールは自分で構築します。開発者はGAモデルのコストと品質を評価していますが、メーターには目を光らせています。
"I'm curious now to see how the costs associated with this would work through the API on some user-facing features."
料金。 課金は分ではなく音声トークンです。gpt-realtime-2.1は音声入力100万トークンあたり$32（キャッシュは$0.40）、音声出力100万トークンあたり$64で、より安価なminiは$10/$20です。実際には、聞いた1分あたり約$0.02、話した1分あたり約$0.077になります。OpenAIは、定額の計測が好みなら、分単位のGPT-Liveモデルも$0.05/minで提供しています。
率直な制限。 部品であり、完成したエージェントではありません。組み込みのナレッジベース、チケットのシミュレーション、サポート特化のガードレールはなく、ブラウザアプリではキーを露出させないために一時トークンのプロキシが必要です。また、ある開発者は、長いチャットでセッションの途中にモデルが別の言語へ逸れたと報告しています。非常に優れた部品を買い、残りは自分で作ることになります。
評価： エンジニアがいて、顔なしでトップクラスの音声モデルが欲しいなら正しい選択です。ツールキットではなく動くサポートエージェントが欲しいなら、組み立てる作業がかなり多くなります。
7. ElevenLabs Conversational AI
最適な用途： 音声基盤をゼロから作らずに、人間らしい声の音声エージェント、特に電話向けを実現したい場合。
ElevenLabsは音声ファーストで、このカテゴリで最も自然な音声で知られています。そのAgents Platformは、音声認識、選択したLLM、低遅延の音声合成、独自のターン交代モデルを組み合わせ、ノーコードビルダー、SDK、Twilio/SIP電話、ナレッジベース、70以上の言語にわたるツール呼び出しを備えています。約584件のレビューでG2で約4.6/5です。
料金。 エージェントは通話分数で課金されます。Free（15分）、Starter $6（75分）、Creator $22（275分）、Pro $99（1,238分）、Scale $299（3,738分）、Business $990（12,375分）です。超過は$0.08/min、バースト料金は$0.16/minです。重要なのは、LLMの利用は別途課金され、その上乗せになる点で、電話料金は原価で転嫁されます。
率直な制限。 実効コストが積み上がります。通話分数に加え、別のLLM料金と電話料金がかかるため、見出しの$0.08は実際の数字を低く見せています。また、有料クレジットの未使用分はダウングレード時に失効し、これは繰り返し出る苦情です。1秒未満という主張に対して、遅延が4秒近くまで跳ね上がると報告するユーザーもいます。
評価： 顧客向けエージェントとして、特に電話サポートで、音声専用では最も強い選択肢です。表示価格だけでなく、総合の1分あたりコストで試算してください。
ライブアバターは実際どう動くか
ブランドを取り除けば、上記のどのツールも、会話の1ターンで同じループを回しています。本当の作業がどこで行われるかを示すので、見ておく価値があります。
5ステップのうち4つ（取り込み、文字起こし、音声合成、レンダリング）はプレゼンテーションに関するものです。顧客が正しい回答を得られるかを決めるのは、返答を書くLLMのちょうど1つだけです。アバターは残りの4つを美しくします。重要な1つには何もしません。それは、AIチャットボットが誤った回答をする理由でもあり、まったく流暢に聞こえるときでも起こります。
アバターでは解決しないこと
ここで読者の信頼を使います。この記事で最も役に立つ話だからです。ライブのサポートキューにAIを導入して長年たち、私が繰り返し見るパターンは、チームがフロントエンドに惚れ込み、実際にチケットを解決する層への投資が足りないということです。自信ありげに聞こえるボットが、自信を持って間違った回答を出すのを私たちは見てきました。だからこそ、eeselのすべての導入は、実際の人に返信する前に、お客様自身の過去のチケットでシミュレーションされます。
データがこれを裏付けています。τ-benchのサポートリーダーボードでは、強力なモデルでさえ、検索の急な落ち込みを示します。簡単な通信のシナリオから知識量の多い銀行のシナリオに移ると、性能がおよそ68ポイント落ちることがあり、4回連続で正解を求めると、最良のサポートモデルでも確実に正しいのは約35%にとどまります。この差は描画の問題ではありません。どれだけリップシンクしても埋まりません。
ですから、カスタマーサービスを自動化したくてライブアバターを探しているなら、率直な問いは「どの顔が最も人間らしいか」ではなく、「どのシステムが回答を正しく出し、いつエスカレーションすべきかを知っているか」です。重要な指標は解決率とエスカレーションの精度であり、リアルさではありません。多くのチームにとって答えは話す顔ではまったくなく、顧客がすでに使っているチャネル、つまりチャット、メール、チケットで動く、しっかり根拠づけされたAIエージェントです。
eeselが合う場面（と合わない場面）
率直に言います。この記事の目的は誠実さだからです。eeselは音声もアバターも扱いません。描画された顔や電話の声が必要なら、上の7つのどれかを選んでください。eeselが担うのは、テキストチャネルでの判断層です。
こう考えてください。OpenAI Realtime API、ElevenLabs、Gemini自体はインフラであり、eeselは仕事のために採用するAIチームメイトです。私たちのAIヘルプデスクエージェントは、すでに運用しているヘルプデスク（Zendesk、Freshdesk、Gorgias、Frontなど）に接続し、初日から過去のチケットとヘルプセンターから学び、その精度を信頼できるようになったら、返信を下書きまたは自動送信します。「オンにして祈る」代わりに、まず過去のチケットでシミュレーションを実行するので、顧客が触れる前に解決率を確認できます。
そして、このリストはAPIとSDKだらけなので、知っておく価値のあることが1つあります。eeselはeesel CLIからも操作できます。ダッシュボードと同じチームメイトを、ターミナル、スクリプト、Claude Code、Cursor、Codexのようなコーディングエージェント向けに公開したものです。すべてのコマンドは、次に何を実行すべきかをエージェントに伝えるhintフィールド付きのJSONを返すので、UIを一度も開かずに、ヘルプデスクの接続、ナレッジのアップロード、自動化の設定ができます。すべてのワークスペースはMCPサーバーでもあります。チームがそのやり方を好むなら、同じサポートチームメイトを操作するエージェントに優しい方法です。
仕事がリアルな顔なら、このリストがカバーしています。仕事がチケットを正しく解決することなら、それこそがeeselが作られた目的で、無料でお試しいただけます。