本文へスキップ
LLM Pricing Calc
LLM 料金の最終確認日 音声プロバイダーの料金

AI 音声エージェント料金計算ツール:1分・1通話あたりのコスト

AI 電話エージェントや音声エージェントのコストを、STT・LLM・TTS・電話回線のスタック全体で1分あたり・1通話あたり・月額で試算します。Vapi や Retell のプラットフォーム料金の有無も選べます。

Twilio 米国 ≈ $0.014 · Telnyx ≈ $0.007 · Web 0

Vapi ≈ $0.05 · Retell ≈ $0.07 · 自前構築 0

会話の詳細設定
プロンプトキャッシュ

1分あたりのコスト

$0.0381

1通話あたりのコスト

$0.1524

月額合計

$2,318

コストの内訳

構成要素1分あたり1通話あたり月額割合
音声認識$0.0077$0.0308$468.4720%
LLM$0.0023$0.00918$139.636%
音声合成$0.0141$0.0564$858.3037%
電話回線 + プラットフォーム$0.014$0.056$851.7637%

LLM:1通話あたり 16 ターン、通話全体で 42,000 入力トークンを読み直し。

リアルタイム(ストリーミング)利用時の従量課金の定価です。ボリュームディスカウントやエンタープライズプランではより安くなります。TTS は文字数で課金されるため、1分あたり約150語の発話(エージェントの発話1分あたり約825文字)で換算しています。

公式料金ページ: Deepgram ↗ · OpenAI ↗ · AssemblyAI ↗ · ElevenLabs ↗ · Cartesia ↗ · Twilio ↗ · Telnyx ↗ · Vapi ↗ · Retell ↗

LLM: 公式料金ページ ↗

ガイド

AI 音声エージェントの1分あたりのコスト

AI 電話エージェントは、ループで動作する4つの従量課金サービスのパイプラインです。音声認識(STT)が発信者の声を文字起こしし、LLM が返答内容を決め、音声合成(TTS)が 返答を読み上げ、電話キャリアが通話をつなぎます。それぞれ課金方法が異なる(音声1分あたり、トークンあたり、文字あたり、通話1分あたり)ため、音声 AI の料金は ひと目では比較しにくいのです。この計算ツールは、すべてを1分あたりのコストに換算します。上のデフォルト設定(1日 500 通話、1通話 4 分)では、 スタック全体のコストは約 1分あたり $0.0381、月額 $2,318 です。

音声認識(STT)

STT は音声1分あたりで課金され、発信者が話しているかどうかにかかわらず通話全体が文字起こしされます。この計算ツールの料金は1分あたり $0.001 から $0.0077 です。 価格よりも重要なのはストリーミング対応です。バッチの文字起こしの方が安価ですが、ライブのエージェントが応答性よく感じられるには、数百ミリ秒以内に部分的な文字起こし結果が必要です。

LLM

音声の返答は短いため、通常 LLM は最も小さな費目ですが、ほかのマルチターンのエージェントと同じように動作します。つまり、ターンごとにシステムプロンプトとそれまでの会話を 再送信します。1分あたり 4 ターンの場合、4 分の通話では LLM を 16 回呼び出し、42,000 入力 トークンを読み直します。プロンプトキャッシュを使えば、これを安く抑えられます。LLM のコストが膨らむのは、大きなシステムプロンプトでキャッシュなしの長い通話です。LLM 料金計算ツールはテキストエージェントについて同じ コンテキストの増加をモデル化しており、LLM 料金一覧表には LLM のドロップダウンで使われているトークン単価を掲載しています。

音声合成(TTS)

TTS は生成した文字数で課金され、対象はエージェントが話している部分だけです。発話1分あたり約825文字で、エージェントが通話時間の 45% を 話す場合、通話1分あたり約 371 文字が必要です。そのため TTS のコストは音声によって通話1分あたり $0.00556 から $0.0371 となり、プレミアム音声は スタックの中で最大の費目になることもよくあります。

電話回線とプラットフォーム料金

Twilio や Telnyx などのキャリアは米国の音声通話に1分あたり $0.007〜$0.014 を課金しますが、ブラウザやアプリ内の WebRTC エージェントならこの費用は一切かかりません。Vapi や Retell などの マネージドプラットフォームは、基盤となるプロバイダーの料金に加えて、1分あたり $0.05〜$0.07 のオーケストレーション料金を上乗せします。この料金で得られるのは、ターンテイキング、割り込み処理、通話の 転送、分析機能で、これらを自前で構築するには相応のエンジニアリング工数がかかります。プラットフォームの欄を使って、マネージドのスタックと自前構築のスタックを比較してください。

音声エージェントのレイテンシとコストを最適化する方法

音声は、レイテンシが価格と同じくらい重要になる唯一の LLM ユースケースです。発信者は話し終えてから約 800 ms 以内の返答を期待し、その時間枠を STT の 確定処理、LLM の最初のトークンまでの時間、TTS の最初の音声までの時間で分け合います。最も安い選択肢は、多くの場合最も速い選択肢でもあります:

  • 高速な中位モデルや低価格の LLM を選ぶ。フラッグシップモデルや推論モデルは思考に数秒かかり、トークン単価も数倍高いうえ、台本どおりの通話ではメリットがほとんどありません。
  • すべてをストリーミングする。ストリーミング STT、LLM のトークンストリーミング、ストリーミング TTS により、各段階を順番に実行するのではなく並行させます。
  • システムプロンプトを短くし、キャッシュする。1ターンあたりの入力トークンが少ないほど、最初のトークンが速くなり、LLM の請求額も下がります。
  • 通話に合った音声を選ぶ。営業やブランドイメージが重要な通話にはプレミアムな TTS 音声を、リマインダー、アンケート、定型的なサポートには安価な音声を使います。
  • 通話をきちんと終了する。留守番電話や無音を早期に検出し、タスクが完了したら電話を切ります。無駄な1分にも STT と電話回線の料金がかかります。
  • ボリュームで交渉する。月におよそ10万分を超えると、STT、TTS、プラットフォームの各プロバイダーが利用量コミットによる割引を提供しています。

非常に大きなボリュームでは、LLM や Whisper モデルを専用 GPU でセルフホストする方が、トークン単位や分単位の料金より安くなる場合があります。 API vs セルフホスト損益分岐点計算ツールでその分岐点を確認し、LLM VRAM 計算ツールで必要な GPU を調べられます。

その他の AI コスト計算ツール

音声エージェントの料金に関するよくある質問

AI 音声エージェントの1分あたりの料金は?

自前で構築したスタック(ストリーミング STT + 高速な中位 LLM + 低レイテンシの TTS + Twilio)は、通常1分あたり $0.03〜$0.10 です。Vapi や Retell などのマネージドプラットフォームでは、さらに1分あたり $0.05〜$0.07 のプラットフォーム料金が加わるため、総額で1分あたり $0.10〜$0.20 になるのが一般的です。

音声エージェントで最もコストがかかるのはどの部分?

通常は音声合成(TTS)です。ElevenLabs などのプレミアム音声は、請求額の40〜60%を占めることがあります。音声の返答は短いため、LLM は多くの人が思うより安く済むことが多いです。ただし、ターンごとに会話全体を再送信するため、LLM のコストは通話時間に応じて増加します。

音声通話の LLM コストはどう計算する?

ターン数 = 1分あたりのターン数 × 通話時間で見積もります。各ターンでシステムプロンプトとそれまでの会話を送信し、短い返答を生成します。プロンプトキャッシュをオンにすると、最新の1往復以外はすべてキャッシュ料金で課金されます。

TTS の文字数はどう見積もる?

人は1分あたり約150語、およそ825文字を話します。これにエージェントが話している割合(デフォルトは45%)と通話時間を掛け、プロバイダーの1,000文字あたりの料金を適用します。

AI 電話エージェントの月額料金は?

1分あたりのコストに月間の通話時間(分)を掛けます。このページのデフォルト設定(1日 500 通話、1通話 4 分、プラットフォーム料金なし)では、AI 通話エージェントのコストは1分あたり約 $0.0381、1通話あたり $0.1524、月額 $2,318 です。Vapi や Retell のプラットフォーム料金(1分あたり $0.05〜$0.07)を加えると、大きなボリュームでは金額が大幅に上がります。

Vapi や Retell は自前で音声スタックを構築するより安い?

1分あたりでは安くありません。マネージドプラットフォームは、STT、LLM、TTS、電話回線のコストに加えてオーケストレーション料金を課金します。ただし小規模なチームにとっては、全体として安くなることがよくあります。信頼性の高いターンテイキング、割り込み処理、通話転送、モニタリングを構築するには数か月のエンジニアリングが必要だからです。自前構築は通常、月に数万分の規模で元が取れます。

音声エージェントのコストを削減するには?

定型的な通話には安価な TTS 音声を使い、システムプロンプトを短くしてキャッシュし、フラッグシップではなく高速な中位 LLM を選び、通話を速やかに終了させ、月に約10万分を超えたらボリューム料金を交渉しましょう。