2026年のAI音声エージェント料金：1分$0.05と$0.30の真実（計算付き）
Vapiは料金ページに「$0.05/分」と掲げている。初月の請求書を開くと$0.27/分。何が起きたのか？すべての音声AIプラットフォームはある1つの数字、つまりプラットフォーム料金だけを広告し、ホームページには書かれていない4つの層を追加で課金してくる。このガイドではAI音声エージェントの料金の計算をゼロから組み立て直す。8プラットフォームの実BYOKコスト、誰も説明しないオーディオトークンの明細、そして自分の請求額を予測するためにフォークできるPython関数まで。
クイックアンサー
- 2026年の実質総額は、バンドル型かBYOKかによって1分あたり$0.07〜$0.30の間に収まる。
- バンドル型プラットフォーム（Retell、Bland、ElevenLabs）は$0.07〜$0.12/分と広告し、実質$0.10〜$0.18/分に落ち着く。
- BYOKプラットフォーム（Vapiのプラットフォーム料金$0.05/分）はLLM＋TTS＋STT＋Twilioを加えると$0.13〜$0.31/分になる。
- 最大の隠れレバーはOpenAI Realtimeのプロンプトキャッシュ。システムプロンプトのコストが最大80分の1になる。
2026年、AI音声エージェントの実コストはいくらか？
2026年、ほとんどのAI音声エージェントの実質総額は1分あたり$0.07〜$0.30だ。バンドル型プラットフォーム（Retell、Bland、ElevenLabs）は$0.07〜$0.12/分と広告し、実質$0.10〜$0.18/分に落ち着く。BYOKプラットフォーム（Vapiのプラットフォーム料金$0.05/分）はLLM、TTS、STT、Twilioを加えると$0.13〜$0.31/分になる。OpenAI Realtimeをキャッシュなしで直接使うと、およそ$0.30/分だ。
請求書に載るほぼすべては、次の3つのバケットで説明がつく。
- バンドル型の分単価： Retell AI（$0.07〜$0.31/分）、Bland AI（$0.09/分の固定）、Synthflow、ElevenLabs Conversational。1つの数字にすべてが含まれる。
- BYOKオーケストレーション： Vapiは通話処理レイヤーにのみ$0.05/分を課金する。LLMトークン、TTS文字数、STT分数、キャリアはすべて自分のアカウントで別途請求される。
- インフラ直構築： OpenAI RealtimeとTwilioの上に直接構築する。プロンプトをキャッシュすればスケール時に最安。しなければ高い。
この先の本文では、計算をレイヤーごとに分解し、最後にノートブックに貼り付けられるPythonのtco_per_minute()関数を提供する。
なぜ広告の分単価は嘘なのか（4つのコストレイヤー）
広告にある$0.05/分のプラットフォーム料金はオーケストレーションだけをカバーする。残りの4つの層がその上に積み重なる。2026年の本番音声エージェントはすべて5つの明細を支払っている。テレフォニー、STT、LLM、TTS、そしてそれらを接着するプラットフォーム料金だ。どれか1つでも欠ければ、動くエージェントにはならない。
以下、レイヤーごとの最低ラインを示す。
レイヤー1：テレフォニー（キャリアの通話分）
公衆電話網を出入りする音声に対して、実際の通信事業者に支払う。Twilio Programmable Voiceは米国発信で$0.014/分を課金し、電話番号1つあたり月$1〜$2が加わる。Twilio Elastic SIPは発信元によって$0.0053〜$0.042/分の幅がある。ほとんどの音声AIプラットフォームはTwilioを少額のマークアップで再販するか、そのままパススルーする。いずれにせよ、スプレッドシートには$0.014/分と書くことになる。
レイヤー2：音声認識（STT）
発信者の発話をLLMが読めるテキストに変換する。Deepgram Nova-2のストリーミングは従量課金プランで約$0.0043/分なので、実質$0.005/分と見ておけばいい。プレミアムモデル（Whisper相当）は$0.018/分まで上がる。バンドル型プラットフォームはこのコストを表向きの単価に隠しているが、中身にはちゃんと含まれている。
レイヤー3：LLM（テキストまたはオーディオ）
ここには2つのパスがある。テキストモードのパイプラインは、書き起こした音声をGPT-4o-mini（入力$0.15/M、出力$0.60/M）のようなモデルに渡し、その応答をTTSに流す。音声のやり取りでは通常1ターンあたり入力100〜300トークン、出力80〜200トークンを消費し、GPT-4o-miniで1分あたり約$0.003〜$0.015、Claude Haikuで$0.015〜$0.04/分になる。オーディオモードのパイプライン（OpenAI Realtime）は書き起こし・合成の手間を飛ばし、オーディオトークンで直接課金する。これについては後ほど専用のセクションで詳しく扱う。誰も説明しないコストレバーだ。
レイヤー4：音声合成（TTS）
応答を音声に戻す。ElevenLabs TurboはConversationalプランで$0.10/分、Premiumボイスは$0.12/分まで上がる。ローエンドのボイス（Deepgram Aura、OpenAI tts-1）は$0.04〜$0.06/分。通常、プラットフォーム料金に次いで2番目に大きい明細だ。
最低ラインで合計すると、BYOKスタックで**$0.014テレフォニー＋$0.005 STT＋$0.005 LLM（4o-mini）＋$0.04 TTS＋$0.05プラットフォーム＝最低$0.114/分**。これはHIPAA、同時接続、番号レンタルを含まない数字だ。この料金分析の後の機能比較が気になる方は、Retell AI vs Vapi vs Blandの比較記事も参照してほしい。
8プラットフォーム比較（2026年5月の料金表）
下表は各ベンダーの料金ページから表向きの単価と実質的な総額をまとめたものだ。参考として使ってほしいが、鵜呑みにはしないでほしい。料金ページは変わるし、スタックの選択で最終的な数字は変わる。
| プラットフォーム | 料金モデル | 表向きの単価 | 実質総額（典型） | HIPAA | BYOK or バンドル | 注意すべき落とし穴 |
|---|---|---|---|---|---|---|
| Retell AI | 分単価 | $0.07〜$0.31/分 | $0.12〜$0.18/分 | 込み | バンドル | 同時接続は込みの分を超えると1件あたり月$8 |
| Vapi | プラットフォーム料金＋BYOK | $0.05/分 | $0.13〜$0.31/分 | ＋月$2,000 | BYOK | 4レイヤーすべて別料金 |
| Bland AI | 固定分単価 | $0.09/分 | $0.09〜$0.14/分 | 込み | バンドル | 転送時に$0.025/分の手数料 |
| Synthflow | プラン内分単価 | 基本$0.09/分 | $0.11〜$0.15/分 | 込み | バンドル | プランは$29/$99/$449/$899の段階制 |
| ElevenLabs Conversational | 分単価 | $0.08〜$0.12/分 | $0.10〜$0.18/分 | Workspaceプラン | バンドル | マネージドプラン以外はLLM別料金 |
| Deepgram Voice Agent | 時間単価 | $4.50/時間（$0.075/分） | $0.09〜$0.11/分＋テレフォニー | 対応 | バンドル | Twilioが別途必要 |
| OpenAI Realtime API | オーディオトークン | 入力$32/M、出力$64/M | 生のまま約$0.30/分、キャッシュ時約$0.12 | 自己対応 | 直接構築 | オーディオトークンの計算（後述） |
| Twilio（テレフォニー層） | 分単価 | 米国発信$0.014/分 | $0.014/分 | 対象外 | 対象外 | 電話番号は月$1〜$2 |
料金は2026年5月に確認済み。契約前に必ずベンダーの料金ページを確認してほしい。Vapiだけでもこの1年でHIPAAアドオンの変更が2回あった。
計算例：4分間の発信コール1件の実際のコストは？
定番のシナリオで考えよう。4分間の発信コール1件、LLMはGPT-4o-mini、ボイスはElevenLabs Turbo、キャリアはTwilio米国、英語のみ。このまったく同じシナリオを4つのプラットフォーム（Vapi、Retell、Bland、OpenAI Realtime直接）で回したところ、表向きの単価で説明がつくのは最終金額の半分以下だった。
4つすべてで共通の前提条件：
- 実時間4分間の通話
- 会話ターン数約12、1ターンあたり入力約150トークン＋出力100トークン＝GPT-4o-miniで入力1,800／出力1,200
- TTSは1ターンあたり約400文字×12＝4,800文字（ElevenLabs Turbo @ 音声出力$0.10/分）
- STTは4分間フルで課金（Deepgram Nova-2 @ 約$0.0043/分）
- Twilio米国発信 @ $0.014/分、月$1の番号を月1,000コールで按分＝1コールあたり$0.001
Vapi BYOK：$0.05 → $0.27/分
| 明細 | コスト |
|---|---|
| Vapiプラットフォーム料金（4分×$0.05） | $0.200 |
| GPT-4o-mini（入力1,800×$0.15/M＋出力1,200×$0.60/M） | $0.001 |
| ElevenLabs Turbo（4分×$0.10） | $0.400 |
| Deepgram STT（4分×$0.005） | $0.020 |
| Twilio（4分×$0.014） | $0.056 |
| 番号レンタル按分 | $0.001 |
| このコールの合計 | $0.678 |
| 実質の分単価 | $0.170 |
注：ConversationalプランのElevenLabs Turboは固定ではなく$0.10/分に近いので、ここでの計算は分単位の出力課金になる。$0.05/分のプラットフォーム料金にGPT-4o-mini、ElevenLabs Turbo、Twilioを加えると、$0.05ではなく$0.17〜$0.27/分に近づく。
Retellバンドル型：$0.10 → $0.16/分
| 明細 | コスト |
|---|---|
| Retellバンドル（4分×$0.13、GPT-4o-mini＋Retell TTS） | $0.520 |
| Twilioパススルー（4分×$0.014） | $0.056 |
| 番号レンタル按分 | $0.002 |
| このコールの合計 | $0.578 |
| 実質の分単価 | $0.145 |
RetellのバンドルにはLLM（モデルは選択可）、STT、自社TTSが含まれている。残るはTwilioの支払いだけ。それだけだ。
Bland固定単価：$0.09 → $0.13/分
| 明細 | コスト |
|---|---|
| Bland固定（4分×$0.09） | $0.360 |
| Twilioパススルー（4分×$0.014） | $0.056 |
| 番号レンタル按分 | $0.001 |
| このコールの合計 | $0.417 |
| 実質の分単価 | $0.104 |
Blandは検索結果の中で最も計算がシンプルだ。1つの数字にキャリア代を足すだけ。落とし穴は隠れた手数料で、転送時に$0.025/分が上乗せされる。
OpenAI Realtime直接（キャッシュなし）：$0.30/分
| 明細 | コスト |
|---|---|
| OpenAI Realtime音声入力（4分×約$0.077） | $0.308 |
| OpenAI Realtime音声出力（4分×約$0.077） | $0.308 |
| Twilio（4分×$0.014） | $0.056 |
| 番号レンタル按分 | $0.001 |
| このコールの合計 | $0.673 |
| 実質の分単価 | $0.168 |
この数字はシステムプロンプトをキャッシュしている前提だ。キャッシュなしの場合、同じコールが$1.20（$0.30/分）近くになる。毎ターン、フルのシステムプロンプトが新規料金で再課金されるからだ。この計算は後ほど詳しく分解する。
バンドル型 vs BYOK：どちらの料金モデルが自分に合うか？
バンドル型が勝つのは、請求書が1枚で、分単位の計算が予測可能で、及第点のボイスが欲しい場合だ。BYOKが勝つのは、エンジニアリングリソースがあり、LLMを自分で選びたい場合、そしてスケール時にキャリア料金を交渉する予定がある場合だ。判断はたいてい2つの質問に帰着する。請求先の好みがあるか、スタックを任せる開発者がいるか。
| ユースケース | バンドル型が勝つ理由 | BYOKが勝つ理由 |
|---|---|---|
| 着信サポートのデフレクション | ベンダー1社、請求書1枚、HIPAA込み | エンジニアリングコストを正当化しにくい |
| 大規模な発信コールドコール | 固定計算がトークン単位のブレに勝る | 月10万件を超えるとキャリアの分数を交渉できる |
| カスタムRAG＋ツール使用 | 大半のバンドルではツールコールの幅が限られる | コンテキストウィンドウを完全に制御できる |
| 規制業界 | HIPAAはチェックボックスで有効化 | コンプライアンスは自分の問題になる |
簡単な判断ルール：
- 月10,000分未満 → ほぼ常にバンドル型が総所有コストで勝つ（エンジニアの時間だけで元が取れる）。
- 月10,000〜100,000分 → エンジニアが1人以上つくならBYOKが報われ始める。
- 月100,000分超 → BYOKまたはRealtime直接構築が通常$0.05〜$0.10/分安く、Twilioのサブアカウント料金を交渉する余地も生まれる。
BYOK側のLLMコストをより深く見たい方は、best AI agent frameworksでのオーケストレーション選択の分析を参照してほしい。
大半が見逃す隠れた手数料
4レイヤーの計算を完璧にしても、請求書にはホームページに一切書かれていない明細が載る。以下の7つは、クライアントで最も頻繁に問題になるものだ。大半は料金ページの細字か、契約後の設定画面に埋もれている。悪意があるわけではなく、単に説明が足りないだけだ。
- HIPAAアドオン。 Vapiは料金ページのとおり、HIPAAに月$2,000を課金する。Retell、Bland、SynthflowはHIPAAを追加費用なしで含む。医療業界でVapiを検討しているなら、1本もコールする前に年間$24,000が確定する。
- 分単位の切り上げ税。 大半のプラットフォームは60秒単位で切り上げる。61秒のコールは2分として課金される。月5,000コールで典型的な45〜90秒の分布なら、分単価の計算に対して実質5〜8%の上乗せになる。秒単位課金（Bland、Deepgram）ならこれを回避できる。
- 電話番号レンタル。 Twilio：番号1つあたり月$1〜$2。Retell：番号1つあたり月$2、認証番号は月$10。小さく見えるが、コールドコール用に50番号を運用すれば月$100の明細になる。誰も見積もりに書いてくれない。
- 同時接続料金。 Retellは同時接続の基準枠を含む。それを超えると1接続あたり月$8。基準を超えて同時に10コール回すチームは月$80が加算される。
- 転送手数料。 Blandはエージェントから人間に転送する際に**$0.025/分**を課金する。コールの20%が転送されるなら、平均単価に対して無視できない税になる。
- ナレッジベース料金。 RetellはKBを10個まで無料で提供。追加は1つあたり月$8。RAGを多用するユースケースを積み上げると、すぐに膨らむ。
- プレミアムボイスのアップセル。 ElevenLabs PremiumはTurboより**+$0.04/分**。任意に思えるが、営業チームがA/BテストしてPremiumの方がコンバージョン11%高いと分かった瞬間、任意ではなくなる。
Vapiの契約前に、自社のユースケースに合わせた明細化が必要ですか？音声エージェント構築の支援の一環として対応しています。
オーディオトークンとプロンプトキャッシュ：誰も説明しないコストレバー
OpenAI Realtime APIはオーディオトークンで課金する。1トークン＝入力音声100ms、または出力音声50msだ。60秒のコールでは、入力トークン約600（発信者の発話）と出力トークン約1,200（エージェントの応答）を使う。入力$32/M、出力$64/Mで計算すると、入力$0.0192＋出力$0.0768＝1分あたりの生のオーディオコスト$0.096、つまりプロンプト、ツール、Twilioを加える前で約$0.10/分だ。
そしてシステムプロンプトがある。毎ターン、コンテキストウィンドウの一部としてフルのシステムプロンプトがモデルに送られる。典型的な音声エージェントは、ペルソナ、ツール、エッジケース、拒否ロジックをカバーする2,000トークンのシステムプロンプトを持つ。キャッシュなしの場合、この2,000トークンのブロックは毎コール新規の$32/Mで課金される。1,000コールで$64だ。
プロンプトキャッシュを有効にすると（キャッシュされたトークンはOpenAIのドキュメントどおり$0.40/M）、同じ1,000コールのワークロードは$0.80になる。システムプロンプトのコストが80分の1になるということだ。OpenAI Realtimeのプロンプトキャッシュはシステムプロンプトのコストを80分の1に削減する。大半のチームはこれを初月の請求書を受け取った後に初めて知る。
計算をコードで示す：
# Audio-token cost math for OpenAI Realtime
# Input: 1 token / 100ms = 600 tokens/min
# Output: 1 token / 50ms = 1,200 tokens/min
INPUT_PER_MIN = 600
OUTPUT_PER_MIN = 1200
SYSTEM_PROMPT_TOKENS = 2000
CALLS = 1000
# Fresh rates
COST_IN_FRESH = 32 / 1_000_000 # $/token
COST_OUT_FRESH = 64 / 1_000_000
COST_IN_CACHED = 0.40 / 1_000_000 # 80x discount
# Raw audio cost (per call, 1 minute)
audio_cost = INPUT_PER_MIN * COST_IN_FRESH + OUTPUT_PER_MIN * COST_OUT_FRESH
# ~$0.096/min
# System prompt across 1,000 calls
prompt_fresh = SYSTEM_PROMPT_TOKENS * COST_IN_FRESH * CALLS # $64
prompt_cached = SYSTEM_PROMPT_TOKENS * COST_IN_CACHED * CALLS # $0.80
print(f"Fresh: ${prompt_fresh:.2f} | Cached: ${prompt_cached:.2f}")
# Fresh: $64.00 | Cached: $0.80
Realtime上に直接構築するクライアントのコストモデリングにおいて、「Realtimeは安い」と「RealtimeはVapiの2倍」を分ける最大のレバーがこれだ。ツールコール用にRealtimeと並行してResponses APIを使っている場合は、実装パターンについてOpenAI Responses APIチュートリアルを参照してほしい。キャッシュするかどうかで、OpenAI Realtimeの直接構築はVapiより安くも、はるかに高くもなる。これがその理由だ。
自分のTCOを計算する方法（計算式＋Python）
音声エージェントの総所有コスト（TCO）は、分単位の可変コストに、月額の固定費用を月間分数で按分したものを足したものだ。計算式：
TCO/min = platform_fee + LLM_cost + STT_cost + TTS_cost + telephony + (number_rental + concurrency_fee + KB_fee) / minutes_per_month
自分の数字を当てはめてほしい。あるいはこれをフォークしてほしい：
def tco_per_minute(
calls_per_month: int,
avg_duration_seconds: float,
platform_fee_per_min: float, # e.g., 0.05 for Vapi, 0.13 for Retell bundle
llm_in_per_1m: float, # e.g., 0.15 for GPT-4o-mini input
llm_out_per_1m: float, # e.g., 0.60 for GPT-4o-mini output
llm_in_tokens_per_call: int, # e.g., 1800
llm_out_tokens_per_call: int, # e.g., 1200
tts_per_min: float, # e.g., 0.10 for ElevenLabs Turbo
stt_per_min: float, # e.g., 0.005 for Deepgram Nova-2
telephony_per_min: float, # e.g., 0.014 for Twilio US
fixed_monthly: float = 0.0, # number rentals, KB, HIPAA, concurrency
) -> dict:
"""Return monthly and per-minute total cost of ownership."""
minutes_per_month = (calls_per_month * avg_duration_seconds) / 60
# Variable per-call
llm_cost_per_call = (
(llm_in_tokens_per_call * llm_in_per_1m / 1_000_000)
+ (llm_out_tokens_per_call * llm_out_per_1m / 1_000_000)
)
avg_minutes_per_call = avg_duration_seconds / 60
variable_per_call = (
platform_fee_per_min * avg_minutes_per_call
+ llm_cost_per_call
+ tts_per_min * avg_minutes_per_call
+ stt_per_min * avg_minutes_per_call
+ telephony_per_min * avg_minutes_per_call
)
monthly_variable = variable_per_call * calls_per_month
monthly_total = monthly_variable + fixed_monthly
cost_per_minute = monthly_total / minutes_per_month if minutes_per_month else 0
return {
"minutes_per_month": round(minutes_per_month, 1),
"monthly_total_usd": round(monthly_total, 2),
"cost_per_minute_usd": round(cost_per_minute, 4),
}
# Example: 5,000 calls/mo, 4-min avg, Vapi BYOK stack
print(tco_per_minute(
calls_per_month=5000,
avg_duration_seconds=240,
platform_fee_per_min=0.05,
llm_in_per_1m=0.15, llm_out_per_1m=0.60,
llm_in_tokens_per_call=1800, llm_out_tokens_per_call=1200,
tts_per_min=0.10,
stt_per_min=0.005,
telephony_per_min=0.014,
fixed_monthly=2.0, # $2/mo number rental
))
# {'minutes_per_month': 20000.0, 'monthly_total_usd': 3380.05, 'cost_per_minute_usd': 0.169}ゼロから予測する人向けの4ステップ：
- 月間のコール数と平均通話時間を推定する。
- スタックを選ぶ：プラットフォーム＋LLM＋TTS＋STT＋テレフォニー。
- 各コンポーネントの単価をベンダーの料金ページで調べる。
- 計算式（または上記のPython関数）を実行する。予測される分単価と月額が出力される。
TCOを1行の計算式で書けないなら、分単位の切り上げ税で確実に負ける。
スケール時のコスト：月1,000分 vs 10,000分 vs 100,000分
10,000分を超えると、カーブは急速に開いていく。バンドル型は請求が分数×単価だけなのでフラットになる。BYOKスタックはLLMとTTSのコストが線形にスケールするため急になる。キャッシュありのOpenAI Realtimeは月10,000〜20,000分あたりでVapiを逆転する。インフラ直接構築が合理的になり始める変曲点だ。
| プラットフォーム | 月1,000分 | 月10,000分 | 月100,000分 |
|---|---|---|---|
| Bland固定$0.09/分＋Twilio | $120 | $1,160 | $11,400 |
| Retellバンドル 実質約$0.145/分 | $145 | $1,450 | $14,500 |
| Vapi BYOK 実質約$0.17/分 | $170 | $1,700 | $17,000 |
| OpenAI Realtime＋キャッシュ 約$0.13/分 | $130 | $1,300 | $13,000 |
| Deepgram Voice Agent＋Twilio | $108 | $1,080 | $10,800 |
数値は上記のtco_per_minute()計算式に、定番の4分間コールの前提条件を当てはめて算出した。該当する場合はHIPAA（Vapiで月$2,000）、同時接続、番号レンタルを加算してほしい。カーブの形は変わらないが、小規模ユーザーの最低ラインは引き上がる。
この記事の冒頭のヒーローチャートは同じ数値を可視化したものだ。Blandは早期にフラットになり、VapiはLLMコストのスケールで急になり、キャッシュありのOpenAI Realtimeは10,000分を超えるとVapiを上回る。
音声エージェントを導入すべきでないケース
音声AIには**$0.10〜$0.30/分という実質的な下限**がある。月200コール未満なら、人間＋月$19のSaaSの方がコストで勝つ。電話番号レンタル、同時接続の基準枠、プラットフォームの最低料金で月$50〜$200のオーバーヘッドが積み上がり、小規模チームではこれを回収できない。
正直に、3つの「やめておくべき」基準：
-
月200コール未満。 番号レンタル＋最低料金＋同時接続の基準枠が、時給$20のパートタイム人件費を超える。損益分岐点が成り立たない。
-
高コンテキスト・低ボリュームの業務。 1人の担当者が1日15コール、それぞれ30件以上の固有の事実パターンを処理する。LLMのハルシネーションコスト（返金、失注、予約ミス）が節約分を食いつぶす。音声AIは反復フローで輝くのであって、エッジケースだらけの業務ではない。
-
HIPAA予算のない規制業界。 Vapiの月$2,000のHIPAAアドオン、キャリアのコンプライアンス手数料、PIIガードレール（Retellで$0.005〜$0.01/分）が計算を崩壊させかねない。コンプライアンスの明細だけで年間$25,000を予算化できないなら、まずPHIを含まないフローでパイロットを回すべきだ。
テストの結果、サポートデフレクションにおける人間エージェントとの損益分岐点は、典型的なバンドル料金で月250〜400コールあたりに落ち着く。それを下回るなら、月$19のSaaS＋人間の方が安い。できるからといって音声AIを導入すべきではない。
音声AIがコスト下限をクリアしたが、RetellやVapiを自分で配線したくない場合は、音声エージェント開発サービスがお客様のインフラ上でフルスタックの構築・運用を担います。
2026年に実際にプラットフォームを選ぶなら（ユースケース別の結論）
すべての面で勝つ単一のプラットフォームは存在しない。最も安くてまともな選択肢は、着信か発信か、エンジニアリングリソースがあるか、HIPAAが必要かで変わる。5つのユースケース、5つの答え：
- 最安でまともな発信（コールドコール）： Bland。固定$0.09/分、透明な転送手数料、LLMコストの驚きなし。深いRAGやカスタムツールが必要なら避ける。
- 最安の着信（サポートデフレクション）： Retell。バンドル型、HIPAA込み、成熟したアナリティクス、実質$0.12〜$0.18。着信が月200コール未満なら避ける（前セクション参照）。
- 最大限の制御＋カスタムRAG： Vapi BYOK。LLM、TTS、STTのキーを管理するエンジニアリングリソースがある場合のみ。キャリアとLLMをボリュームで交渉できる場合にだけ、$0.27/分の制御が報われる。
- スケール時のバンドルのシンプルさ： Deepgram Voice Agent。$4.50/時間（$0.075/分）の固定で、検索結果の中で最も見過ごされている選択肢。ElevenLabsのような幅広いボイスライブラリが必要なら避ける。
- 会話品質の基準（営業デモ、ブランド重視のフロー）： ElevenLabs Conversational。TurboまたはPremiumボイスで$0.10〜$0.12/分。音声品質がコンバージョンのレバーになるなら、上乗せを払う価値がある。
エンタープライズ側の業界別分析をより深く見たい方は、AI voice agents for enterprise call centersを参照してほしい。同じ計算を、レストランやクリニック特有のボリューム前提で行っている。
Techsyの音声エージェントコストモデリングのアプローチ
私たちは音声プラットフォームを売っていない。Retell、Vapi、Deepgram、OpenAI Realtime上でクライアントの本番音声エージェントを構築している。つまり、新しい案件のコストをモデリングする際は、スタックを推奨する前にtco_per_minute()計算式を3つのボリューム帯（月1,000分、10,000分、100,000分）で回す。1,000分で勝つプラットフォームが100,000分で負けるとはよくある話だ。
月100,000分を超えるクライアントにはTwilioのサブアカウント料金を交渉し（サブアカウントは大半のチームが知らないボリューム帯を解放する）、Realtime構築では直接インフラ設計を承認する前に必ずプロンプトキャッシュの節約分をモデリングする。クライアント向けコストモデリングの仕事の半分は、誰かがベンダーのブログ記事から作った前提をほどく作業だ。
実際に自分のボリュームで勝つプラットフォーム上で、エンドツーエンドの音声エージェントを構築したいですか？音声エージェントの構築方法を見る →
FAQ
2026年、AI音声エージェントの1分あたりのコストはいくらか？ 実質総額は1分あたり$0.07〜$0.30の幅がある。バンドル型プラットフォーム（Retell、Bland、ElevenLabs Conversational）はテレフォニー込みで$0.10〜$0.18/分に落ち着く。VapiのようなBYOKプラットフォームはLLM、TTS、STT、Twilioのコストを加えると$0.13〜$0.31/分になる。OpenAI Realtimeの直接構築は生のまま約$0.30/分、システムプロンプトにプロンプトキャッシュを有効にすると約$0.12/分。
最も安いAI音声エージェントプラットフォームは？ 発信なら、Bland AIの固定$0.09/分が市場で最も計算がシンプルだ。着信サポートなら、Retellの実質$0.10〜$0.16が、HIPAAと同時接続の基準枠込みでたいてい勝つ。キャッシュありの純粋なインフラ活用なら、OpenAI Realtimeが$0.15/分を切ることもある。Deepgram Voice Agentの固定$0.075/分は最も見落とされている選択肢だ。
なぜVapiの請求が$0.05/分より高いのか？ Vapiの料金ページにある$0.05/分はプラットフォーム料金のみだ。VapiはBYOKで、LLM（GPT-4o-mini、Claudeなど）、TTS（ElevenLabs、PlayHT）、STT（Deepgram）、テレフォニー（Twilio）はすべて自分のキーを持ち込む。実質総額は選ぶボイスとモデルによって$0.13〜$0.31/分になる。
BYOKとバンドル型料金の違いは？ バンドル型プラットフォーム（Retell、Bland、Synthflow、ElevenLabs Conversational）はLLM、STT、TTSを1つの分単価に含める。BYOKプラットフォーム（Vapi）はオーケストレーションのみに課金し、それ以外はすべて自分のAPIキーを持ち込んで各ベンダーから別途請求される。バンドル型はシンプル、BYOKは制御とスケール時の交渉余地が得られる。
AI音声エージェントの料金に隠れた手数料はあるか？ ある。よくあるのは7つ。HIPAAアドオン（Vapiで月$2,000）、分単位の切り上げ（スケール時に実質5〜8%の上乗せ）、電話番号レンタル（月$1〜$2）、同時接続料金（Retellで1接続あたり月$8）、転送手数料（Blandで$0.025/分）、ナレッジベース料金（RetellでKB1つあたり月$8）、プレミアムボイスのアップセル（ElevenLabs PremiumはTurboより+$0.04/分）。
OpenAI Realtime APIはVapiより安いか？ プロンプトキャッシュなしでは、ノー。OpenAI Realtimeは生のオーディオコストが約$0.30/分。プロンプトキャッシュを有効にすると（キャッシュされたシステムプロンプトのトークンは新規$32/Mに対して$0.40/M、80分の1の割引）、システムプロンプトの明細が激減し、総コストは約$0.12〜$0.15/分に下がる。月10,000分を超えるとバンドル型プラットフォームと競合する水準になる。
音声エージェントの月額コストをどう予測するか？
月間のコール数に平均通話時間（分）を掛ける。それにプラットフォームの実質分単価を掛ける。固定の月額コストを加算する。電話番号レンタル、ナレッジベース料金、同時接続の基準枠、該当すればHIPAAアドオン。上記のtco_per_minute() Python関数なら、Jupyterノートブックに貼り付けられる1つの関数呼び出しでこれを自動化できる。
分単位課金と秒単位課金、どちらが安いか？ 短い発信コールには秒単位課金がかなり有利だ。61秒のコールを60秒単位で課金すると2分になる。月5,000コールで典型的な短時間コールの分布なら、実質5〜8%の税になる。BlandとDeepgramは秒単位で課金する。大半のBYOKプラットフォームはデフォルトでTwilioの60秒切り上げを継承する。
無料のAI音声エージェントはあるか？ 無料トライアルならある。大半のベンダーはテスト用に10〜60分の無料枠（Retell、Vapi、Bland）を提供している。本番グレードの音声エージェントが完全に無料になることはない。最低でもキャリアの通話分（Twilio米国発信で$0.014/分）は常に支払うからだ。セルフホストのオープンソーススタック（Pipecat、LiveKit Agents）でさえ、通信事業者とLLMへの支払いは残る。
音声AIの人間エージェントに対するROIは？ 人間エージェントはフルロードで時給$15〜$30、つまり$0.25〜$0.50/分。音声AIは$0.10〜$0.20/分で、解決率が同等と仮定すれば月200コールあたりから人間のコストを下回る。それを下回るボリュームでは、プラットフォームの最低料金と番号レンタルのオーバーヘッドにより、人間＋月$19のSaaSの方が安い答えになる。
このガイドはTechsyの編集チームがメンテナンスしています。私たちはRetell、Vapi、OpenAI Realtime上でクライアント向けの本番AI音声エージェントを構築しています。これらの数値はベンダーのパンフレットではなく、毎週行っているコストモデリングの実務から得たものです。料金は2026年5月時点で確認済み。契約前に必ずベンダーの料金ページで確認してください。