2026年版 Grok Voice 3のおすすめ代替サービス9選

なぜGrok Voice 3以外も見るのか

まず正直に言うと、Grok Voice 3.0は非常に優れています。Grok Voice 3のレビューで、アクションを実行する必要がある電話エージェントの第一候補だと書きましたが、この1日で何も変わっていません。Artificial Analysisは、Speech-to-Speechインデックスで1位、ライブ通話のタスク成功率で1位(94.8%)、ツールとポリシー文書を使った実際のサポート通話を模擬するベンチマークτ-Voiceで2位としました。

"SpaceXAI's Grok Voice 3.0 is the new leading Speech to Speech model, debuting at #1 on the Artificial Analysis Speech to Speech Index at 86.9, while also being competitive on latency"

Artificial Analysis, X

では、なぜ発表からわずか1日でGrok Voice 3の代替が検索されているのでしょうか。ドキュメントとベンチマーク表を読むと、現実的な理由が5つあります。

1. 新規アカウントの同時接続数。 Speech-to-Speechの同時接続数は累計支出額に応じて増えます。$0で10セッション、$50で20、$250で50、$1,000で100、$5,000で200です。本番運用では問題ありませんが、初日に50件の同時通話で負荷テストしたいチームは、枠を開放するために前払いが必要です。
2. 言語。 xAIのSpeech-to-Speechドキュメントには20以上の言語が載っています。Gemini Liveは70、ElevenLabsは90以上です。
3. APIであってコールセンターではない。 電話回線、通話フロー、分析、エスカレーション経路は自分で用意します。xAIはノーコードのVoice Agent Builderも提供していますが、完全なプラットフォームを求めるチームも多いでしょう。
4. レイテンシが悪化した。 最初の音声までの時間は0.81秒で、Grok Voice 2.0の0.70秒より増えています。インデックス上の近いモデルよりはどれも速いものの、Grokとしては最速ではありません。
5. 価格。 1分あたり$0.08(1時間$4.80)は中位です。Gemini 3.8 Liveは1時間あたり$0.84と測定されています。

この5つのどれも当てはまらなければ、ここで読むのをやめてgrok-voice-3.0に固定して構いません。当てはまるものがあるなら、適切な代替はどれが当てはまるかで決まり、それを整理するのがこの記事の残りです。ベンダー全体の話は、テキストモデルも扱うxAIの代替の記事をご覧ください。

代替の3つのタイプ

ChatGPTにGrok Voice 3の代替を尋ねたところ、答えは3つのグループに整理されました。この枠組みこそ、購入者がこのページから持ち帰るべき最も役立つ内容だと思います。以下のツールは互換ではありません。グループをまたいで乗り換えると、ターンの切り替えや電話回線、ツール呼び出しを誰が管理するかが変わります。

• Speech-to-Speechモデルは、1つのモデルの中で音声を聞き、音声で答えます。可動部品が最も少なく、割り込みが自然で、ベンチマークスコアも最高です。ただしツールや電話接続は自分で作ります。
• パイプラインは、音声認識、テキストLLM、音声合成をつなぎます。ホップは増えますが、どの部品も差し替えられ、任意のLLMを使え、各段階でクリーンな文字起こしを読めます。
• マネージドプラットフォームは、パイプラインを電話番号、ビルダー、テスト、分析で包みます。通話フローは自分で作り、配管は先方が担います。

Hacker Newsのある開発者は最初のグループに異論を唱えており、頭に入れておく価値があります。

"Yeah, sadly "audio to audio" seems to mean "we transcript it automatically for you internally which gets passed to the model", otherwise we'd be seeing models that are able to hear nuance in the input voice and pronunciation, which AFAIK, no model does yet."

embedding-shape, Hacker News

サポート窓口では、これは聞こえ方ほど問題になりません。電話をかけてくる人は注文を見つけてほしいのであって、訛りを味わってほしいわけではありません。

この9つの選び方

私はeeselで、AIエージェントを稼働中のヘルプデスクにつなぐコードである連携レイヤーを作っているので、ビルダーの目でこれらのツールを読んでいます。それぞれについて、2026年10月15日にベンダー自身のドキュメントと料金ページを読み、製品ページは自分でキャプチャし、ベンチマークの数値はすべてArtificial Analysisのspeech-to-speechリーダーボードから取りました。価格はベンダーのページのみに基づきます。

やっていないのは、各ツールに1,000件の本番通話を流すことです。Grok Voice 3.0はまだ公開から1日だからです。レイテンシを挙げている場合は、Artificial Analysisが測定した最初の音声までの時間か、ベンダー自身が公表している数値のどちらかで、どちらなのかも明記しています。

候補のリストは、ChatGPTが挙げた6つ(OpenAI、Google、ElevenLabs、Deepgram、LiveKit、Vapi)から始め、ベンチマーク自身のカスケード方式システムのテストに登場したもの、または本格的な音声エージェントAPIを持つ3つを加えました。Cartesia、AssemblyAI、Inworldです。Retell AIはVapiと領域が重なるため外しました。両者で迷っているなら、Retell AIのレビューをご覧ください。

Grok Voice 3の代替を比較

全体を1つの表にまとめました。「表示料金」はベンダーの料金ページに載っている数字で、含まれないものは次の列に示しています。

AAのレイテンシ列はSpeech-to-Speechモデルだけが埋まっています。Artificial Analysisが最初の音声までの時間を測るのはそれらだけだからです。パイプラインやプラットフォームでは、レイテンシは接続するモデル次第で、それは自分で制御できる変数です。

1分あたりの実コスト

表示料金は揃いません。ベンダーごとに除外している部品が違うからです。下の計算機は、すべてのツールを同じ条件に置きます。エージェントが半分ほど話す、サポート通話の1分です。月間の通話分数を入力すると、バーが自動で組み直されます。

月間の通話分数を入力すると、各ツールの定価ベースの請求額が表示されます。料金は2026年10月15日時点の各ベンダーの料金ページによるものです。GPT-Live 1、Inworld、ElevenLabsはLLM費用の一部を含まないため、下限値として見てください。

目につくことが2つあります。1つ目は、大半のツールが1分あたり$0.075〜$0.083に集まっていることで、Grok Voice 3.0は性能のわりに高くないということです。2つ目は、コストで外れ値になっている2つ(Gemini 3.8 LiveとInworld)は、どちらも実際に何かを引き換えにしていることです。Geminiはサポートタスクの精度、InworldはLLMを自分で選ぶ手間です。AI音声の1分が人間と比べてどれほどの価値があるかについては、AIエージェントと人間のコスト比較で計算しています。

Speech-to-Speechの乗り換え先

この2つは直接の置き換えで、Grokと同じアーキテクチャ、つまり聞くことも話すことも1つのモデルで行います。すでにコードがOpenAI Realtimeのイベント形式を扱っているなら(GrokのAPIはこれと互換になるよう作られています)、乗り換えは主にエンドポイントとキーの変更です。

サポート窓口で最も重要なベンチマークはτ-Voiceで、模擬の発信者の問題が実際に解決したかを採点します。3つのSpeech-to-Speechファミリーが分かれるのはここです。

一番下のバーに注目してください。Gemini 3.8 Liveはブラインドリスニングテストで2番目に好まれる声で、ここでは最も安いモデルですが、それでも通話の30.1%しか解決しません。心地よいことと正しいことは別のスコアです。

1. OpenAI GPT-Live 1とRealtime API

**最適な用途:**タスクの完了が何より重要なサポート窓口、すでにOpenAIを使っているチーム。

OpenAIには現在、2つの音声ルートがあります。GPT-Live 1は全二重のモデルで、そのモデルページによれば"can listen and speak at the same time, and delegate reasoning and tool use to a backend agent"です。従来のRealtime APIはgpt-realtime-2.1を使う単一のSpeech-to-Speechモデルで、音声のターン、ツール、割り込みを1つのセッションで処理します。この違いはサポートでは重要です。GPT-Liveは難しい推論を別のテキストモデル(ベンチマークではAstraまたはSol)に任せ、その構成がτ-Voiceでトップになっています。

電話通話は直接SIPトランクで接続でき、OpenAIは電話ドキュメントで、Twilio、Telnyx、Bandwidth、LiveKit、Daily/Pipecat向けのパートナーガイドを公開しています。Hacker Newsの開発者たちはリリース時に熱狂していました。

"I was excitedly awaiting this hitting the API, because ofc there wasn't a super high fidelity option for drop-in voice interface in front of a given harness. This is blowing me away so far!"

agentdev001, Hacker News

Grokより優れている点:

• τ-VoiceでGrokを上回る唯一のモデルで、GPT-Live 1(Astra、medium)が74.5%、Grokは71.6%です。
• バックエンドエージェントは設定した任意のモデルなので、既存のテキストエージェントとそのツールを声の後ろに置けます。
• 1分あたり$0.05の秒単位課金で、1分単位への切り上げがありません。

弱い点:

• 話し始めが遅く、最初の音声までの時間はAstraで1.34秒、Solで1.24秒、Grokは0.81秒です。
• 表示の$0.05にはバックエンドモデルが含まれません。Artificial AnalysisはAstra構成を1時間$5.83と測定しており、Grokの$4.80より高くなります。
• Artificial Analysisによれば、GPT-LiveのτVoiceのスコアは1回の試行によるもので、ほとんどのモデルは3回です。
• モデルページに対応言語の記載がなく、HNのあるユーザーもこの欠落を指摘しています。

料金:

すべてOpenAIの料金ページによります。詳しい計算はGPT-Live 1の料金の記事にあり、逆の側から来た方向けにはGPT-Live 1の代替の一覧もあります。

**私の見立て:**通話がタスク中心(返金、予約、アカウント変更)で、エージェントが話し始めるまでに0.5秒ほど余分にかかっても許容できるなら、最も強力な乗り換え先です。対応言語の公表リストや、1分あたりの厳格な予算が必要なら見送ってください。ツールをつなぐなら、先にRealtimeのツール呼び出しを読んでください。関数の実行中の沈黙は、発信者が電話を切る原因になります。

2. Google Gemini 3.8 Live

**最適な用途:**コストと言語対応がタスク精度より重視される、大量で低リスクの通話(案内窓口、予約リマインダー、多言語の窓口)。

GoogleはGemini 3.8 Liveを"the default option for most low-latency voice agent experiences"と呼んでおり、プレビューではなく安定版のモデルです。Live APIはステートフルなWebSocketで、音声、画像、テキストを受け取り、70言語で音声で答えます。関数呼び出しはデフォルトで非同期になったため、検索が走っている間もモデルは話し続けられます。

バックグラウンドで推論するExtended Thinkingという派生版もあります。τ-Voiceで68.6%とGrokに近いものの、最初の音声までの時間は1.35秒で、Artificial Analysisの測定では1時間$3.50です。Googleのライブ系列には、Speech-to-Speech翻訳のLive Translateも含まれますが、これは別のモデルです。

Grokより優れている点:

• 価格:音声入力は1分あたり$0.005、出力は$0.018です。Artificial Analysisの測定では1時間$0.84で、Grokは$4.80です。
• 対応言語は70で、Grokの20以上を上回ります。
• 料金ページに無料枠があり、有料枠ではデータがGoogleの製品改善に使われません。
• ボード上で2番目に高い人間の好みスコア(Elo 1088)です。

弱い点:

• 標準モデルのτ-Voiceは**30.1%**です。聞こえは良いのに、仕事を終えられないことが多いです。
• コンテキスト圧縮なしのセッションは音声で15分が上限で、接続は約10分で切れるためセッション再開が必要です。
• WebSocketのみです。ネイティブSIPはなく、電話回線はLiveKitのようなパートナー経由になります。
• モデルの入力トークン上限は131,072です。

料金:

**私の見立て:**1分あたりのコストがすべてを決め、エージェントが行動するより案内する場合に向いた選択です。注文を変更したりクレジットを発行したりする窓口なら、標準モデルを信頼する前に、Extended ThinkingをGrokと並べて試します。テキストにすでにGemini 3.8 Flashを使っているなら、請求アカウントを共通にできるのはささやかな利点です。

自分で組み立てるパイプライン

この4つは、音声認識、テキストLLM、音声合成をつなぎます。余分なホップのぶんレイテンシがかかります。Redditの開発者がこのトレードオフをうまくまとめていました。

"The core problem I found with the Retell/Vapi approach was the latency that chaining 3 services sequentially together added. STT provider → LLM → TTS provider. Each hop adds latency and you're managing 3 WebSocket connections plus your own VAD and turn-taking logic."

JohnstonChesterfield, Reddit

その裏返しが制御性です。パイプラインなら、LLMは好きなモデルで、テキストエージェントがすでに使っているものでも構いません。各段階でクリーンな文字起こしが得られ、QAや通話の要約にも使えます。Deepgram、AssemblyAI、Inworldはパイプラインを1つのAPIとして運用してくれ、LiveKitは自分で運用するためのフレームワークを提供します。

3. LiveKit Agents

**最適な用途:**スタックを自分で持ち、モデルを自由に入れ替え、自前の電話番号を運用したいエンジニアリングチーム。

LiveKit Agentsは、PythonまたはNode.jsのプログラムを通話の正式な参加者として加えるためのオープンソースのフレームワーク(Apache 2.0)です。パイプラインへの音声のストリーミング、ターン検出、割り込み、LLMのオーケストレーションといった、音声の難しい部分を処理します。GPT-LiveやGemini Liveを含むリアルタイムモデルにも対応し、xAIのドキュメントもGrokを接続する対応方法としてLiveKitを挙げています。つまりLiveKitはGrokの代替というより、あとで書き換えずにGrokを入れ替えられる層です。

LiveKit Cloudは、ホスティングと電話番号、シミュレーション、可観測性に加えて、個別のAPIキーなしでモデルを呼べるホスト型の推論カタログも提供します。

Grokより優れている点:

• モデルの自由度:料金ページには数十のLLM、STT、TTSモデルが1分あたりの料金付きで載っており、GPT-5 nanoの$0.0002/minからDeepgram Fluxの$0.0065/minまであります。
• 電話が組み込み済み:無料の米国番号1つ、SIPトランク、TwilioとWhatsAppのコネクタ。
• Scaleプランでは最大600の同時セッションで、ページに公表されています。
• 実際の発信者が来る前にエージェントをテストするテキストと音声のシミュレーションは、10月31日まで無料です。

弱い点:

• インテグレーターは自分です。3つのモデルを選んで調整するのは本格的な作業です。
• レイテンシは自分の選択次第で、「LiveKit」全体の最初の音声までの時間を示す独立した数値はありません。
• BAA署名付きのHIPAAはScaleプラン(月$500から)で始まります。

料金:

LiveKit自身の計算機は、サンプルの電話エージェント(Gemma 4 31B、AssemblyAIのSTT、Fish AudioのTTS、米国番号、可観測性)を1分あたり$0.0479と見積もっており、Grokより約40%低くなります。

**私の見立て:**モデルを2回以上入れ替えそうなエンジニア付きのチームに私が推す選択です。GrokからGeminiやGPT-Liveへの切り替えが設定変更で済む、ここでは唯一の選択肢です。音声パイプラインを自分で持ちたい人がチームに誰もいないなら、見送ってください。

4. Deepgram Voice Agent API

**最適な用途:**定額のマネージドなパイプラインAPIがほしく、自前のLLMを持ち込むこともできるチーム。

DeepgramのVoice Agent APIは、1本のWebSocketで"handles the full speech pipeline (listening, thinking, and speaking)"します。音声モデルとLLMプロバイダー、声、エンドポイント検出を設定し、その上に関数呼び出しやマルチエージェントの引き継ぎを重ねます。音声モデルのFluxは音声エージェント向けに作られており、ターン検出と割り込み処理を内蔵しています。Artificial AnalysisがDeepgramのデフォルト構成をテストしたときは、聞くのがNova-3、考えるのがGPT-4o Mini、話すのがAura-2でした。

Grokより優れている点:

• カード不要で**$200の無料クレジット**があり、Deepgramによればこれで約43,000分のNova文字起こしをカバーできます。
• 持ち込みオプションで価格が下がります。LLMと声の両方を用意すれば1分あたり$0.050です。
• 単純な従量課金で最大45の同時エージェント接続が使え、支出ラダーはありません。
• SOC 2 Type 2、EnterpriseではBAA付きHIPAA、専用のEUエンドポイント。

弱い点:

• Artificial AnalysisのテストでのデフォルトのLLMは、複雑なサポート通話には小さいGPT-4o Miniでした。ポリシーの比重が大きい用途では、自前のLLMを持ち込む前提で計画してください。
• フルエージェントとしてのτ-Voiceやレイテンシのスコアはありません。
• WebSocketの接続時間で課金されるため、開きっぱなしの空のソケットでもお金がかかります。

料金:

Growthには、Deepgramの料金ページによれば年$4,000からのコミットメントが必要です。

**私の見立て:**ここで最もすっきりした「1つのAPI、1つの価格」のパイプラインです。すでにLLMエージェントを持っていて、その周りにDeepgramの耳と声を1分あたり$0.050でかぶせたいチームに向いています。デフォルトのLLMに考えさせたい場合はあまり魅力的ではありません。

5. AssemblyAI Voice Agent API

**最適な用途:**最もシンプルな込み込みの価格と強力な音声認識を求め、AssemblyAI独自のLLMで構わないチーム。

AssemblyAIは音声認識で最もよく知られており、そのVoice Agent APIは自社の3つの部品を積み重ねています。音声モデルのUniversal-3.6 Pro Realtime、"tuned for spoken conversation rather than text chat"と説明される独自LLM、そして低レイテンシの自社の声です。クイックスタートでは、4つのコマンドでブラウザのエージェントを話させ、それから電話番号に載せます。

Grokより優れている点:

• **1時間$4.50(1分あたり$0.075)**の一律価格で、音声認識、LLM、声がすべて含まれます。
• 音声モデルは32言語に対応し、キーターム指定ができるため、製品名やSKUに役立ちます。
• AssemblyAIのセキュリティページによれば、有料アカウントは学習へのオプトアウトができ、BAAに署名すれば自動的にオプトアウトになります。

弱い点:

• 含まれるLLMはAssemblyAI独自のものです。サポートポリシーとツールをどう扱うかを示す公開ベンチマークはありません。
• フルエージェントとしてのArtificial Analysisのスコアはありません。
• 同時接続の上限は料金ページに載っておらず、ボリューム条件は営業経由です。

料金:

**私の見立て:**発信者の声を正しく聞き取ること(訛り、ノイズの多い回線、製品名)を最も重視し、請求書の項目を1行にしたいチームにとって、無難な標準選択です。コミットする前に、最も難しい30件の通話で彼らのLLMを試します。そこが公開スコアのない部分だからです。

6. Inworld Realtime API

**最適な用途:**Speech-to-Speech風のAPIで、LLMを自分で選べて、音声コストが1分あたり最も低いものを求めるチーム。

InworldのRealtime APIは、外から見るとSpeech-to-Speechモデルのようです。1本のWebSocketまたはWebRTC接続が"listens, reasons and talks back"します。中身は、Inworld独自の音声認識、8つのホスト型LLMから選べる頭脳、最後にTTS-2の声を並べたパイプラインです。Grokユーザーにとっての魅力は、イベントとセッション設定がOpenAI Realtime APIと一致するため、クライアントを新しいエンドポイントとキーだけで移せることです。

Grokより優れている点:

• Speech-to-Speechの追加料金がありません。各部品が個別の料金で課金されます。音声認識は1時間$0.15、TTS-2 Flashはオンデマンドで100万文字あたり$15からです。
• LLMを選べるので、推論を好きなだけ強く(あるいは安く)できます。
• ベンダーが測定した最初の音声は最短204ms、測定した17ターンの中央値は462msです。
• 全プランでGDPRとSOC 2 Type II。

弱い点:

• レイテンシの数値はInworld自身の測定で、独立したものではありません。
• 価格が部品の合計なので、1分あたりの定額に比べて請求額の予測に手間がかかります。
• HIPAAとBAAは、公表されている最上位プランでもアドオンです。
• 電話の音声はTwilioからG.711で入ってくるため、電話番号は自分で用意します。

料金:

Inworldは1分あたり約1,000文字の発話と見積もっているため、音声出力はエージェントが話す1分あたりおよそ$0.01〜$0.015で、これにLLMトークンが加わります。詳しくはInworld AIの料金の解説とInworldの代替の一覧をご覧ください。

**私の見立て:**すでにテキストLLMに満足しているチームにとって、最も興味深いコスト面の選択です。Grokのような開発者体験に、パイプラインの柔軟性が加わります。独立したレイテンシの数値や、すぐ使える電話回線が必要なら、待ったほうがよいでしょう。

マネージドな音声エージェントプラットフォーム

この3つは、サポートリーダーが電話エージェントを実際に運用するために必要なものでパイプラインを包みます。番号とビルダー、テストと分析、購入できる同時接続数です。少しの制御と、プラットフォーム料金を引き換えに、それらを自分で作らずに済みます。プラットフォームを検討しているチームなら、音声サポート向けの最良のAIのまとめがさらに多く扱っており、Voiceflowの代替の一覧も同様です。

7. ElevenLabs Agents

**最適な用途:**言語対応が最も広く、最も自然な声のマネージドエージェントがほしいチーム。

ElevenLabsは声で名を上げ、ElevenAgentsは音声、チャット、メールにわたる"natural, human-sounding agents in 90+ languages"のためのプラットフォームです。ワークフロービルダーでエージェントを設定し、ナレッジベースとツールを付け、電話回線、Web、モバイルにデプロイして、組み込みのテストと分析で監視します。Artificial Analysisがテストしたデフォルト構成はScribe v2 Realtime、Gemini 2.5 Flash、Eleven Flash v2で、長いLLMの一覧から選ぶことも、自前を持ち込むこともできます。

Grokより優れている点:

• 90以上の言語で、この一覧で最も広い対応です。
• すべてのプランで同時接続数が公表されており、Freeの4通話からBusinessの40通話まであります。バースト料金で、2倍のレートで上限の最大3倍まで受けられます。
• 電話料金なし:TwilioやSIPトランクを持ち込み、通信事業者に直接支払います。
• フルのエージェントビルダーがあり、サポートリーダーがデプロイなしでフローを変更できます。

弱い点:

• 1分あたり$0.08はLLM費用の前の金額です。料金計算機ではGemini 2.5 Flashが1分あたり$0.0029と表示され、より強いモデルはさらにかかります。
• HIPAA向けのBAAはEnterpriseのみです。
• フルエージェントとしての独立したτ-Voiceスコアはありません。

料金:

追加分数は全プランで$0.08、バースト分は$0.16です(ElevenAgentsの料金ページより)。詳細はElevenLabsの料金の記事とElevenLabsの代替の一覧にあります。

**私の見立て:**サポートチーム、特に多言語のチームにとって最も簡単なマネージドの乗り換え先です。Businessなら、12,375分が含まれて$990なので、Grokと同じ1分あたり$0.08になり、そこにビルダー、電話、分析が付きます。Enterprise契約なしでHIPAAが必要なら見送ってください。

8. Vapi

**最適な用途:**マネージドプラットフォームがほしいが、すべてのモデルを自分で選び、プロバイダーに原価で支払いたい開発者。

VapiはLiveKitとElevenLabsの中間に位置します。インフラ(ホスティングと電話、監視、シミュレーション付きのテスト)を運用し、文字起こし、LLM、声をカタログから選び、"with no markup"で請求されます。ホームページには、Ringのサポートチームが2週間でゼロから本番に到達した話が引用されています。これで本番システムを動かしているRedditの開発者は、プロトタイプ専用だという見方に反論していました。

"Vapi is good at PoC stage and it is good at production usage, it is not a fair criticism at all - I have many production AI voice systems running on Vapi right now with no issues."

Middle-Study-9491, Reddit

Grokより優れている点:

• Speech-to-Speechモデルを含め、任意のモデルの組み合わせが使え、プロバイダー分は原価で請求されます。
• Vapiの電話とSIPは無料で、追加の同時接続は1回線あたり月**$10**の定額です。
• 実際の顧客がエージェントの声を聞く前に、模擬のテスト通話ができます。

弱い点:

• $0.05のホスティング料金が、あらゆるモデルに上乗せされます。Vapi自身の1,000分あたりの見積もりは$82〜$129で、1分あたり$0.082〜$0.129になります。
• HIPAAは月$2,000のアドオンです。
• 稼働率SLAは月$999のProパッケージから始まります。

料金:

すべてVapiの料金ページによります。

**私の見立て:**プラットフォームの機能がほしいが、1社のモデルに縛られるのは嫌だという場合の、ちょうどよい中間点です。ホスティング料金とプロバイダー3社分を予算に入れると、合計はたいていGrokの$0.08か、それ以上になります。

9. Cartesia Line

**最適な用途:**コードレベルで制御でき、最も低い定額のプラットフォーム料金のマネージドエージェントがほしいチーム。

Lineは、CartesiaのInk音声認識とSonicの声を使って"brings voice to your text agents"します。これは私のCartesia Sonic 3のレビューで取り上げました。SDKで推論ロジックをコードで書く(任意のLLM、任意のAPI)か、ノーコードビルダーでプロトタイプを作り、通話ログ、評価、ロールバックできるバージョン管理されたデプロイ付きのCartesiaのマネージドランタイムにデプロイします。ターミナルからデプロイやテストを行うCLIもあります。

Grokより優れている点:

• マネージドエージェントが1分あたり$0.06で、この一覧で最も低い定額のプラットフォーム料金です。
• UIで作ったエージェントでは、LLMの利用が期間限定で無料です。
• サイトにSOC 2 Type II、HIPAA、GDPRが記載されています。
• プラン料金はエージェントクレジットとして戻ってきます。$299のScaleプランには、エージェントに使える$299が含まれます。

弱い点:

• LLMのプロモーションは期間限定なので、トークン代を払う前提で予算を立ててください。
• 同時接続数はScaleプランの60通話が上限で、その先はEnterpriseです。
• フルエージェントとしての独立したτ-Voiceスコアはありません。

料金:

Cartesiaの料金ページによれば、通話は1分あたり$0.06で、Cartesiaの電話番号を使う場合は1分あたり$0.014が加わります。声の品質が決め手なら、CartesiaとElevenLabsの比較がさらに詳しいです。

**私の見立て:**ElevenLabsのマネージドなアプローチは好きだが、エージェントをコードで書きたい開発チームに強くおすすめできます。プロモーションが終わったら、請求書のLLMの行に注意してください。

1週間で勝者を決める方法

ベンチマークでリストは絞れますが、決めるのは自社の通話です。ChatGPTのアドバイスは、同じ20〜50件のテスト会話を上位2〜3候補に通すことで、私も賛成ですが、1点だけ変えます。作り物ではなく実際の通話を使ってください。

1. **過去の実際の通話を30件抜き出す。**電話システムの文字起こしで、チームが最も難しいと感じる通話(返金、怒っている発信者、アカウント変更)に比重を置きます。
2. **同じスクリプトを上位2つに通す。**Grok Voice 3.0はたいていその1つになるはずです。超えるべき基準だからです。
3. **3つを採点する。**最初の音声までの時間(発信者は1秒未満で返事を聞けるか)、割り込み(発信者が割り込んだら止まって聞くか)、ツール呼び出し(正しい関数を正しい注文番号で呼んだか)です。
4. **引き継ぎを確認する。**どの音声エージェントも一部の通話で失敗します。重要なのは、文脈を添えて発信者を人間につなげるかどうかです。その文脈に何を含めるべきかは、引き継ぎのベストプラクティスの記事で扱っています。

すでにZendeskの音声AIエージェントやFreshcallerの音声エージェントを使っているなら、ヘルプデスク標準のオプションもテストに加えてください。地味な答えが勝つこともあります。

この9つのどれも解決しないこと

上記のモデルやプラットフォームはどれも、やっていることは会話エンジンです。τ-Voiceのベンチマークは、テスト用に書かれたポリシー文書とツール一式を各モデルに与えます。実際の電話窓口では、エージェントは接続したものだけを知っていて、それ以上は知りません。

実際の音声サポートの導入の大半が時間を使うのは、そこです。エージェントが何を言ってよいかを決め、答えを最新に保ち、注文やアカウントのデータにつなぐことです。私たちの営業通話で、購入者に共通して最も多い要望は同じで、チームの過去のチケットでAIを学習させたいというものです。その通話に出てきた、ある直販のサプリメントブランドは、毎月約7,000件のチケットをGorgiasとShopifyで処理しており、隣には別の電話システムがあります。電話エージェントとチケットキューには、同じ答えが必要です。

これをうまくやっているチームは、電話エージェントを、声を持つナレッジベースのチャットボットとして扱っています。メンテナンスされた答えの情報源が1つあり、すべてのチャネルがそこから読むのです。チームでAIがサポートの電話に答えられるか、あるいはそもそも電話サポートを自動化すべきかをまだ決めかねているなら、テキストのチャネルから始めてください。1件あたりのコストが安く、測定しやすく、音声エージェントが後で必要とする知識も蓄積できます。

私のカスタマーサポートの自動化のガイドでは、進める順番を説明しています。

どれとでもeeselを組み合わせる

音声APIはインフラで、eeselは従業員です。eeselのAIヘルプデスクチームメイトは、あなたのZendesk、Freshdesk、Gorgiasに参加し、過去のチケットとヘルプセンターから学び、あらゆる電話窓口の裏にあるメールとチャットのキューを処理します。稼働させる前に、自社の過去のチケットで実行し、その回答をチームが実際に送った内容と比べられます。

開発者にとって接続点はMCPです。eeselのすべてのワークスペースはMCPサーバーで、eesel CLIのnpx @eesel/cli mcp tokenを実行するとURLと30日間有効なトークンが出力され、Grok、GPT-Live、LiveKitの音声エージェントが、チケットエージェントと同じ答えを参照できます。同じCLIで、ターミナルからエージェントをスクリプト操作したり、Claude Codeのようなコーディングエージェントに渡したりできます。この組み合わせを稼働中の電話回線ではまだ試していないので、有望な構成として受け止め、文の途中でのツール呼び出しのレイテンシに注意してください。

料金は月額固定のクレジットプランで、500クレジットが月$299です。チケット1件またはチャット1件が1クレジットで、100クレジットが無料、開始にカードは不要です。声を選ぶ前に、キューの一部でeeselを試してください。勝った声に、言う価値のある中身があるように。