Voxtral 3の最良の代替は、どの部分を置き換えるかで決まります。今すぐ実際の電話番号で動かす電話エージェントなら、OpenAIのGPT-Live-1(1分$0.05)かElevenAgents($0.08にLLM費用を加算)です。Voxtral 3はローンチ時点でSIP通話をエンタープライズ限定にしているためです。録音通話の安価な文字起こしなら、Speechmaticsが1時間$0.12です。音声ならCartesia Sonicです。
7つすべての価格を調べて意外だったのは、Voxtral 3は今もここで最安のバンドル型電話エージェントで、Mistral Small 4を使って1分$0.04だということです。人々がVoxtral 3から離れるのは、アクセス、オープンウェイト、ライブ精度のためで、価格のためではありません。ライブ文字起こしのコストは実は中位で、1時間$0.48です。
私は毎日eeselのサポートキューを担当していますが、発信者が正しい答えを得られるかどうかを決めるのは音声レイヤーではありません。フェリー事業者のNorden-Frisiaは、繁忙期に月10,000件のやり取りを想定し、346件のナレッジ項目から回答しています。どのモデルが発信者の声を聞き取るにせよ、相手が何を尋ねているかを知っている何かが必要です。
なぜVoxtral 3の代替を探す人がいるのか?
主な理由は、Voxtral 3が悪いからではなく、まだできないことがあるからです。Voxtral 3のレビューでは5点中3.5点をつけましたが、減点の理由は、人々が代替を探す理由と同じです。
まず評価できる点から。Mistralのローンチ時のチャートでは、Voxtral Small Transcribe 3は45言語で単語誤り率4.0%となり、Microsoft AI Transcribe 2と並び、1分$0.004です。音声は100万文字あたり$13。音声エージェントAPIはMistral Small 4で1分$0.04です。強力なローンチです。
それでも、次の4点が人々を探しに向かわせます。
- 電話回線が制限されている。 SIP電話はローンチ時点でエンタープライズ限定です。今月中にサポート番号にボットを置きたいなら、他社の電話レイヤーが必要です。
- ウェイトがクローズド。 Voxtral 1とVoxtral 2のリアルタイムモデルはHugging Faceで公開されました。Voxtral 3はAPIのみで、オンプレミス展開は営業との相談になります。
- ライブ精度はGeminiに劣る。 Mistral自身の35言語リアルタイムチャートでは、Gemini 3.5 Realtimeが
4.2%で、Voxtralのどのレイテンシ設定も上回ります。素早い電話エージェントが使う240 ms設定では、Voxtralは7.4%です。 - すべてがパブリックプレビューで、Voxtral 2からのアップグレードで単語タイムスタンプが削除されました。すでにパイプラインが動いているチームには、移行前に周りを見る理由があります。
クローズドウェイトは、Hacker Newsのローンチスレッドで最も批判を集めました。
"You have to call sales to get access for on-prem deployment and the models If it were open weights, it would be on Huggingface and they would have put a link in the post"
この7つの選び方
サポートリーダーが尋ねそうな質問(「文字起こし、音声、電話エージェントでVoxtral 3を試している。何と比較すべきか」)をChatGPTに投げると、この7つが候補に挙がりました。私が選んだであろうものと一致したので、2026年10月28日に各ベンダー自身の料金ページとドキュメントを確認し、同じ方法で価格を整理しました。
それぞれを、サポート回線が重視する4点で評価します。
- 今日、電話番号に対応できるか、ネイティブか、名前の挙がったパートナー経由か。
- 1分いくらか、課金単位を明記して。
- ベンダーはレイテンシと精度について何を主張しているか、ベンダー自身の数字で。
- Voxtral 3の方が優れているのはどこか。
この判断マップが本当の要点です。Voxtral 3は1回のローンチに4つの製品が入っていて、4つすべてで勝てる相手はいません。どの部分が問題かを見極め、その部分だけを置き換えましょう。
Voxtral 3の代替を比較
価格は各ベンダー自身のページの定価で、ベンダーが分単価を示している場合は同じ単位に換算しています。「Not published」はベンダーが価格を掲載していないという意味で、無料という意味ではありません。
| ツール | バッチ文字起こし | ライブ文字起こし | 音声(100万文字あたり) | 電話エージェント(1分あたり) | 電話回線 | セルフホスト | 記載のコンプライアンス |
|---|---|---|---|---|---|---|---|
| Voxtral 3 | $0.21-$0.24/hr | $0.48/hr | $13 | $0.04(Small 4)または$0.08 | ローンチ時SIPはエンタープライズ限定 | オンプレミスは営業経由 | ローンチページに記載なし |
| OpenAI | $0.27/hr(GPT-Transcribe) | $1.02/hr(GPT-Live-Transcribe) | 現行価格なし、TTSモデルは2027年1月に廃止 | $0.05 + バックエンドモデル(GPT-Live-1) | ネイティブSIP | なし | HIPAA BAA、EUデータレジデンシー+10% |
~$0.30/hr(Gemini 3.5 Transcribe) | ~$0.54/hr(Transcribe Live) | $30(Chirp 3: HD) | ~$0.023 音声入力 + 出力(Gemini 3.8 Live) | パートナー(Voximplant、LiveKit) | なし | 米国とEUリージョンのChirp 3 | |
| Deepgram | $0.26/hr(Nova-3) | $0.39/hr(Flux English) | $30(Aura-2) | $0.075(Standard) | Twilioリファレンス構成 | エンタープライズ、NVIDIA GPU | SOC 2 Type 2、HIPAA BAA、GDPR対応EUエンドポイント |
| ElevenLabs | $0.22/hr(Scribe v2) | $0.39/hr(Scribe v2 Realtime) | $40(v4 Turbo) | $0.08 + LLM | ネイティブSIPトランク、Twilio | なし | SOC 2、HIPAA BAA、EUデータレジデンシーはEnterprise |
| Cartesia | ストリーミングのみ | $0.39/hr(Ink-2、Scaleプラン) | $38-$65 超過料金 | $0.06 + 番号$0.014 | 自社番号、SIPはエンタープライズ | エンタープライズ、オンプレミスまたはVPC | SOC 2 Type II、HIPAA対応可、GDPR |
| AssemblyAI | $0.21/hr(Universal-3.5 Pro) | $0.45/hr(Universal-3.6 Pro Realtime) | $15 | Not published | Twilio SIPトランク | セルフホスト版あり | SOC 2 Type 2、BAA |
| Speechmatics | $0.12/hr(Melia 1) | $0.30/hr(Linden 1、エージェント向け) | $11(英語、プレビュー) | Not published | パートナー(Vapi、LiveKit、Pipecat) | エンタープライズ向けコンテナ | SOC 2 Type II、ISO 27001、GDPR、HIPAA |
表から目につくことが2つあります。Voxtral 3のバッチ価格は良いものの最安ではなく、ライブ文字起こしは中位です。音声とバンドル型エージェントが、他社が太刀打ちしにくい部分です。
各サービスでサポート電話回線はいくらかかる?
分単位、トークン単位、文字単位の価格を比べるため、1人の購入者を想定しました。月1万件の5分通話、つまり50,000分です。ベンダーが番号そのものを販売している場合を除き、通信キャリア料金は含めていません。
| オプション | 計算 | 月額コスト | 含まれないもの |
|---|---|---|---|
| Voxtral 3エージェント、Mistral Small 4 | 50,000 × $0.04 | $2,000 | SIPアクセス(エンタープライズ) |
| Voxtral 3エージェント、より大きなモデル | 50,000 × $0.08 | $4,000 | SIPアクセス(エンタープライズ) |
| Gemini 3.8 Live | 50,000 × ($0.005 入力 + $0.018 出力) | 音声のみで最大$1,150 | テキストと思考トークン、電話パートナー |
| OpenAI GPT-Live-1 | 50,000 × $0.05 | $2,500 | バックエンドモデル、ツール、SIPトランク |
| Cartesiaエージェント | 50,000 × ($0.06 + $0.014) | $3,700 | 無料期間終了後のLLM |
| Deepgram Voice Agent、Standard | 50,000 × $0.075 | $3,750(Growthは$3,400) | キャリア |
| ElevenAgents | 50,000 × $0.08 + LLM $0.0029 | 約$4,145 | キャリア |
| AssemblyAI | 833時間 × $0.45(聞き取り分) | $375 + 音声 + LLM | バンドル型エージェント価格なし |
| Speechmatics | 833時間 × $0.30(聞き取り分) | $250 + 音声 + LLM + プラットフォーム | バンドル型エージェント価格なし |
Geminiの数字は音声のみの上限です。双方が1分間ずっと話し続けると仮定しており、実際にはありえません。また、実際の推論を担うテキストと思考トークンは含まれていません。見積もりではなく「おそらく最安」と受け取ってください。
Voxtralの$2,000が超えるべきラインで、明確に超えるのはGeminiだけです。ただし、現時点ではエンタープライズ契約なしではVoxtralに電話番号を向けられません。そのためこの表は「音声に払う金額」ではなく「アクセスに払う金額」と読むのがよいと思います。自分で何も持ちたくないなら、電話サポートに最適なAIのまとめでマネージド型プラットフォームを、音声カスタマーサポートツールでヘルプデスク標準のものを扱っています。
1. OpenAI Realtime API
こんなチームに最適: 今週中に電話番号で音声対音声のエージェントを動かしたいチーム。
概要。 OpenAIの音声スタックには現在2つのエージェントモデルがあります。GPT-Realtime-2.1は、音声、推論、ツール呼び出しを1つのセッションで行います。GPT-Live-1は全二重で、話しながら聞くことができ、思考は自分で選ぶ別のバックエンドモデルに任せます。文字起こしは、録音にはGPT-Transcribe、ライブ音声にはGPT-Live-Transcribeです。旧世代についてはGPT Realtimeの記事で扱いました。
料金。 GPT-Live-1は1分$0.05で秒単位課金、バックエンドモデルとツールは別料金です。GPT-Realtime-2.1はトークン課金で、音声入力100万トークンあたり$32、音声出力は$64です。miniは$10と$20。GPT-Transcribeは1分$0.0045、GPT-Live-Transcribeは$0.017です。EUデータレジデンシーは10%加算されます。組み合わせるテキストモデルについては、OpenAI API料金の詳細で扱っています。
Voxtral 3に勝る点。 電話です。SIPトランクをsip.api.openai.comに向けると、OpenAIがバックエンドにWebhookを送り、通話の受け入れ、転送、切断を行えます(SIPガイド参照)。EUエンドポイントもあります。ターン検出は2種類あり、無音ベースか、発信者が考えを言い終えたかをモデルが判断するsemantic_vadです。
Voxtral 3が今も勝る点。 文字起こし精度と音声の価格です。Mistralのチャートでは、GPT Transcribeが5.6%に対しVoxtral Smallは4.0%、GPT Live Transcribeが8.4%に対しVoxtral Realtimeは最速設定で7.4%です。OpenAIの単体音声モデル(tts-1、tts-1-hd、gpt-4o-mini-tts)は、TTSガイドによると2027年1月6日に終了するため、比較できる現行の文字単価はありません。
結論: 1分あたり1セントを削るより、電話回線に早くつなぐことが重要ならOpenAIを選びましょう。主にバッチ文字起こしが必要なら見送りです。Mistralのテストでは価格も高く、精度も劣ります。
2. Google Gemini LiveとCloud Speech
こんなチームに最適: ライブ文字起こしの精度が決め手になる多言語サポート回線。
概要。 Googleは部品を別々に販売しています。Gemini 3.8 Liveは音声対音声のエージェントモデルです。Gemini 3.5 TranscribeとTranscribe LiveがGemini API経由で音声認識を担い、旧来のクラウド製品としてCloud Speech-to-Text(Chirp 3)があります。音声はCloud Text-to-Speechから提供され、Chirp 3: HDや、Gemini 3.8 Flash TTSで扱ったGemini TTSモデルがあります。
料金。 Gemini 3.8 Liveは音声入力が1分$0.005、音声出力が1分$0.018、これにテキストと思考トークンが100万あたり$0.75と$4.50かかります。Gemini 3.5 Transcribeは平均で1分約$0.005、Transcribe Liveは約$0.009です。Chirp 3: HD音声は、毎月最初の100万文字が無料のあと、100万文字あたり$30です(TTS料金ページ参照)。Gemini 3.8 Flash TTSは音声出力が安いものの、2027年1月1日に価格が倍になります。
Voxtral 3に勝る点。 Mistral自身のチャートでのライブ精度です。Gemini 3.5 Transcribeのリアルタイム版は誤り率4.2%で、最も遅く慎重な設定(5.7%)を含め、Voxtral Realtime 3のどのレイテンシ設定よりも上です。おそらくここで最も安いライブエージェントでもあります。Gemini 3.8 Liveは非同期の関数呼び出しに対応しており、返金の照会を実行している間もエージェントは話し続けられます。
Voxtral 3が今も勝る点。 電話とセッション長です。GoogleはLive API用のSIPエンドポイントを文書化しておらず、Voximplant、LiveKit、Pipecatなどのパートナー経由になります。音声のみのセッションは、セッション管理を追加しない限りデフォルトで15分が上限です。Googleの2つのLive APIページは言語数(70と99)でも食い違っているため、自分の言語でテストしてください。
結論: 発信者が言語を切り替え、電話周りを組めるエンジニアがいるならGeminiを選びましょう。多言語サポートの構成の他の部分ともよく合います。1社に電話対応を任せたいなら見送りです。
3. Deepgram
こんなチームに最適: 低レイテンシのターンテイキングと、公開された同時接続数の上限を求める、電話中心のチーム。
概要。 Deepgramはまず音声の会社です。Fluxは音声エージェント向けのストリーミング音声認識モデルで、発話終了の検出をモデル内に持ちます。Nova-3が一般的な文字起こしを、Aura-2が音声を担当し、Voice Agent APIが聞き取り、LLM、発話を1つのWebSocketにまとめます。
料金。 Voice Agent APIのStandardティアは、Pay As You Goで1分$0.075、Growth(年$4,000の前払いから)で$0.068で、WebSocket接続時間で課金されます。自前のLLMと音声を持ち込むと$0.050に下がります。Flux Englishは1分$0.0065、録音音声のNova-3は$0.0043、Aura-2は1,000文字あたり$0.030です。新規アカウントにはカード不要で$200のクレジットが付きます。
Voxtral 3に勝る点。 電話まわりの仕組みと調整項目です。Deepgramは約260msの発話終了検出に加え、発信者が言い終える前にLLMが返答の下書きを始められる「eager」シグナルを謳っています。同時接続数も公開されており、Pay As You Goで45エージェントセッション、Growthで60です。Fluxは8 kHz mulawの電話音声をそのまま受け付け、着信テレフォニーガイドでTwilio構成を順に解説しています。コンプライアンスも明記されています。SOC 2 Type 2、EnterpriseでのBAA付きHIPAA、専用のEUエンドポイントです。
Voxtral 3が今も勝る点。 言語数と価格です。Flux Multilingualは10言語で、Voxtral Realtimeの35以上に及びません。Aura音声は7言語です。そしてVoxtralのエージェントは分単価で約半分です。
結論: 英語または主要な欧州言語で電話エージェントを作り、同時接続数とコンプライアンスを文書で確認したいならDeepgramを選びましょう。幅広い言語が混在する場合は見送りです。
4. ElevenLabs
こんなチームに最適: 音声そのものがブランドの一部であるサポート回線と、ノーコードのエージェントビルダーを求めるチーム。
概要。 ElevenAgents(旧Conversational AI)は、音声認識モデル、選んだLLM、音声、ターンテイキングモデルを1つのエージェントプラットフォームにまとめ、ナレッジベース、ワークフロービルダー、評価機能を備えます。Scribe v2が文字起こしモデルで、音声はFlash v2.5から新しいEleven v4までです。全プランはElevenLabsの料金の記事にまとめています。
料金。 エージェントの分数はプランを超えた分が1分$0.08で、LLM利用料が別にかかります(計算ツールではGemini 2.5 Flashが1分$0.0029でした)。Businessプランは月$990で12,375分、同時通話40件です。ElevenLabsは通話料を取らず、キャリアから請求されます。Scribe v2は1時間$0.22、Scribe v2 Realtimeは$0.39です。音声は1,000文字あたり$0.04から$0.08、つまり100万文字あたり$40から$80です(APIの料金ページ参照)。
Voxtral 3に勝る点。 電話と、その周りの製品です。着信・発信に対応するネイティブのSIPトランク、Twilio連携、バッチ発信、エージェントがどれだけ積極的に発話の順番を取るかの設定があります。VoxtralのエージェントSDKはLiveKit上のコード中心ですが、ElevenAgentsはサポートリーダーが設定できるものです。
Voxtral 3が今も勝る点。 精度と価格です。Mistralのチャートでは、Scribe v2が4.9%(Voxtral Smallは4.0%)、Scribe v2 Realtimeは8.7%で、そのチャートのリアルタイムモデルで最下位です。Voxtralの音声はv4 Turboの3分の1の価格です。米国外でのデータレジデンシーはElevenLabsではEnterprise機能です。
開発者から最もよく見る不満はレイテンシで、原因は多くの場合、音声ではなくLLMです。
"The agents are taking 4000ms to answer anything. This is without RAG which shouldn't take anywhere near that long."
このスレッドは旧世代のモデルについてなので、結論ではなく、実施すべきテストとして受け取ってください。全体像はElevenLabsのレビューのまとめにあります。
結論: 発信者が音声で判断する場合や、チームにオーケストレーションのコードを書く人がいない場合はElevenLabsを選びましょう。分単価が決め手なら見送りです。
5. Cartesia
こんなチームに最適: エージェントの声は問題ないが、話し始めるのが遅すぎるチーム。
概要。 Cartesiaは、現在バージョン3.6の高速な音声モデルSonicで名を上げ、ストリーミング文字起こしのInk-2と、その両方を好きなLLMと組み合わせるManaged Agentsを追加しました。以前のバージョンはCartesia Sonic 3のレビューで試しています。
料金。 プランは月額でFree、Pro $5、Startup $49、Scale $299で、1文字の音声が1クレジットとなるクレジット制です。超過料金はプランにより100万クレジットあたり$38から$65です。エージェントはすべてのセルフサービスプランで1分$0.06、Cartesiaの電話番号は1分$0.014が別途かかります。UIで作るエージェントのLLM利用は、料金ページによると「for a limited time」無料です。Ink-2はScaleで1時間$0.39です。
Voxtral 3に勝る点。 速度の主張と、今すぐ購入できる電話番号です。Sonicは最初の音声まで約90msを謳い、これはMistralがVoxtralの音声について示す数字と同じです。Inkは最終文字起こしまで88msを謳っています。Ink-2は無音ではなく意味でターンを区切り、Cartesiaは電話番号そのものも販売しています。Sonicは44言語に対応します。
Voxtral 3が今も勝る点。 文字起こしの対応範囲と音声の価格です。Ink-2は5言語(英語、スペイン語、フランス語、ヒンディー語、日本語)に対応します。Sonicの超過料金は100万文字あたり$38以上で、Voxtralの$13の約3倍です。LLM無料期間は終わり、そのときエージェント価格は上がります。
結論: 1ミリ秒の無音も痛い、英語またはスペイン語の電話エージェントの音声にはCartesiaを選びましょう。5言語を超える文字起こしが必要なら見送りです。
6. AssemblyAI
こんなチームに最適: 注文番号、メールアドレス、名前を正確に聞き取ることを重視する、文字起こし中心のチーム。
概要。 AssemblyAIは文字起こしで知られ、現在は音声モデルをLLMと独自の音声にまとめたVoice Agent APIを販売しています。同社のゲートウェイ経由でClaudeを、またはOpenAI互換の任意のモデルを使えます。
料金。 Universal-3.6 Pro Realtimeは32言語で1時間$0.45、より安いUniversal-Streamingは$0.15です。録音音声はUniversal-3.5 Proで1時間$0.21です。音声のAssemblyAI-TTS-1は100万文字あたり$15で、米国でもEUでも同額です。Voice Agent API自体に公開された分単価はないため、通話全体のコストは組み合わせるものによります。
Voxtral 3に勝る点。 サポート通話を台無しにする細部です。ターン検出は、発信者が電話番号、メール、日付を読み上げている間はあえて待ち、割り込みは「uh-huh」を無視して「wait, stop」では止まります。dtmfスターターエージェントは、カード番号をキーパッドで受け取り、文字起こし、ログ、モデルから切り離します。AssemblyAI自身のベンチマークでは、Voxtral Miniを含むテストで、音声エージェントのエンティティ誤りが22システム中1位(14.41%)です。SIPはTwilioトランク経由で動き、セルフホストの選択肢もあります。
Voxtral 3が今も勝る点。 言語の対応範囲と、見通せる価格です。同じベンチマークページでは、多言語FLEURSでAssemblyAIは5位(18言語で8.44%)です。ベンダーは、音声で読み上げた数字の整形は「best-effort, not guaranteed」とも述べているので、長い口座番号はテストしてください。
結論: 発信者が通話の半分を文字の読み上げに使うならAssemblyAIを選びましょう。構築前に予算に載せられる価格が必要なら見送りです。
7. Speechmatics
こんなチームに最適: 録音通話の安価で正確な文字起こし。アクセントや文の途中での言語切り替えにも対応します。
概要。 Speechmaticsが売るのは音声レイヤーで、エージェントではありません。Melia 1が多言語モデル(56言語、文の途中で切り替え可能)、Linden 1が音声エージェント向けの音声認識モデルで、テキスト読み上げ製品はプレビュー中です。LLMとオーケストレーションは、Vapi、LiveKit、Pipecat経由で自分で用意します。
料金。 Melia 1は料金ページでは1時間$0.12ですが、サイトの計算ツールでは$0.24と表示されるため、予算化の前に確認してください。エージェント向けのLinden 1は定価で1時間$0.30、ボリュームで$0.15まで下がります。音声は1,000文字あたり$0.011(100万文字あたり$11)で、最初の100万文字は無料です。新規アカウントには$100のクレジットが付きます。
Voxtral 3に勝る点。 録音音声の価格と、コンプライアンス関連の書類です。1時間$0.12はこのリストで最安のバッチ価格で、Voxtral Miniの$0.21を下回ります。SpeechmaticsはSOC 2 Type II、ISO 27001、GDPR、HIPAAを掲げ、EU、米国、オーストラリアでの処理に対応します。Lindenは話者ラベル込みで350msの最終文字起こしを謳っています。
Voxtral 3が今も勝る点。 文字起こし以外のすべてです。音声は英語のみで、4つの声がプレビュー段階です。Voice Agent APIはアーリーアクセスのプレビューで「should not be used for live production traffic」とされ、ターン検出は今のところ無音ベースで、意味ベースの検出は「coming soon」です(音声エージェントのページ参照)。
結論: 録音通話を大規模に品質保証のために文字起こしするならSpeechmaticsを選びましょう。声で返答する必要があるものには見送りです。
オープンウェイトが目的でVoxtralを選びたかった場合は?
その場合、この7つのどれも代わりにはなりません。はっきり言っておきたいところです。ここにある選択肢はすべてホスト型APIです。Deepgram、Cartesia、AssemblyAI、Speechmaticsはどれもセルフホストを提供しますが、エンタープライズ契約が前提で、これはMistralが今Voxtral 3に対して提供しているのと同じ条件です。
Hacker Newsのスレッドには、自前のハードウェアで音声認識を動かす開発者が大勢いて、彼らの選択は別のホスト型APIではなく、NVIDIAのParakeetでした。
"I do think Parakeet is pretty amazing, though, so some of these product announcements have limited interest to me, especially since it's cloud and costs per hour, even if it's a low cost."
すでにオープンなVoxtral 2のリアルタイムモデルを使っているなら、現実的な選択は、MistralがVoxtral 3のウェイトについて何か発表するまでそのまま使い続け、その間に自分の音声でParakeetをベンチマークすることです。Mistral AIのレビューの記事では、同社がオープンな公開をどう扱ってきたかを追っています。
この7つがサポート回線で解決しないこと
上のどのツールも、問題の同じ半分、つまり発信者の声を聞き取って話し返すことを解決します。どれも、あなたの返金ポリシー、あなたの店での注文ステータスの意味、チームがいつも人に引き継ぐ質問を知りません。
このチャートは、音声のローンチ競争で比べられる種類の比較で、差は本物です。100万文字あたり$11から$40。ただしサポート回線では、請求書の中で最も小さい数字でもあります。話す1分あたり750〜800文字(Cartesia自身の目安)なら、ここで最も高い音声でも1分あたり約3セントです。間違った答えのコストは、かけ直しの電話とチケットです。
キューの現場から言えば、うまくいかない通話は、聞き間違いが原因であることはまれです。答えを持たないエージェント、人間でもAIでも、が原因です。だから私は音声レイヤーを最後に選び、まず知識を整えます。本番前にAIエージェントの引き継ぎを設定するのと同じやり方です。私が書いたGrok Voiceの比較も同じ壁に当たりました。Grok Voiceの代替の記事では、最良のモデルでも模擬通話の56.5%しか解決できませんでした。
ほとんどのチームでうまくいく順序は、まずテキストチャネルを自動化し、同じ知識を何千件ものチケットで試してから電話に持ち込むことです。電話サポートを自動化する方法のガイドでその手順を解説し、AIコールセンターエージェントでは音声に移ると何が変わるかを扱っています。
ヘルプデスクにすでに音声製品があるなら、Zendeskの音声AIエージェントかFreshcallerの音声エージェントから始めましょう。
通話の裏にある質問にはeeselを試してください
この7つのツールはインフラで、eeselは従業員です。eeselのAIヘルプデスクチームメイトは、ZendeskやFreshdeskに参加し、過去のチケット、マクロ、ヘルプセンターから学び、発信者が繰り返し尋ねる質問に、すでに使っているチャネルで答えます。
ドイツのフェリー会社Norden-Frisiaは、ZendeskとWebサイトのチャット、公開チャットリンクでCaptAInボットを運用し、時刻表、車、自転車の質問に346件のナレッジ項目から答えています。繁忙期には月10,000件のやり取りを計画しています。オランダのスマート照明ブランドInnrは、1,500件のヘルプ記事と過去のチケットから、顧客が書いた言語でFreshdeskの返信を下書きしています。これこそ、Voxtral、Gemini、ElevenLabsのエージェントが初日に必要とする知識です。まずヘルプデスクでeeselを試してください。そうすれば、電話エージェントにも話す価値のある中身が備わります。