AI音声エージェントとは？ 実際の電話通話を支える5層のスタック（2026年版）
AI音声エージェントとは、音声認識、言語モデル、合成音声を組み合わせることで、電話、ブラウザ、またはアプリ内でリアルタイムの音声会話を行うソフトウェアです。最近銀行に電話をかけて、「請求については1を」のような従来のロボット案内が、まるで人間のようにフォローアップの質問に答え始めた経験はありませんか？ それは従来のIVR（自動応答システム）ではなく、音声エージェントです。過去18ヶ月間、私たちはRetell、Vapi、OpenAI Realtime上で音声エージェントを出荷してきたため、ここでの解説はベンダーのマーケティングではなく、実践的な構築経験に基づいています。
簡潔な回答：
- AI音声エージェントは、STT、LLM、TTSを使用してリアルタイムの電話またはWeb会話を行うソフトウェアです。
- IVR（メニュー階層なし）、チャットボット（テキストのみ）、音声アシスタント（単発コマンド）とは異なります。
- リアルタイム感を実現するには、音声認識、LLM、音声合成を合わせた応答時間を約700ms以内に収める必要があります。
- 2026年の本番環境で使用される音声エージェントの大半は、OpenAI Realtime、Deepgram Voice Agent、Retell、Vapiなどのストリーミングパイプライン上に構築されています。
AI音声エージェントとは？
AI音声エージェントは、人間とリアルタイムの音声会話を行うソフトウェアです。音声を聞き取り、**音声認識（STT）を使って音声をテキストに変換し、そのテキストを大規模言語モデル（LLM）に送信して発言内容や呼び出すツールを決定させ、最後に音声合成（TTS）**で返信を音声に戻します。このループは継続的に実行され、ターン管理、割り込み処理、会話途中での実際のAPI呼び出し機能を備えています。
最後の部分が、音声エージェントがその名に値する理由です。彼らはただ話すだけでなく、物事を実行します。想像してみてください。予約の変更のために電話をかけると、エージェントは「はい、どの日程がよろしいですか？」と尋ねます。あなたが答えると、エージェントはカレンダーAPIを確認し、空いている枠を見つけ、それを読み上げ、あなたが選んだ枠を予約し、確認メッセージをSMSで送信します。これは90秒の通話の中で4回のツール呼び出しが行われたことになります。
押さえておくべき4つの核心機能は以下の通りです。
- リアルタイムでの聴取。部分的な文字起こしが、話し終わった後ではなく、話している最中に届きます。
- 意図の理解。LLMはキーワードだけでなく、あなたが実際に何を求めているかを解析します。
- 音声での応答。自然な抑揚、ポーズ、そして文の途中でも割り込まれる能力を持ちます。
- アクションの実行。CRM、カレンダー、予約システム、またはAPIを持つあらゆるシステムへの関数呼び出しを行います。
AI音声エージェントは、マイク付きのチャットボットではありません。人間が不快に感じる前に聞き、考え、話さなければならないリアルタイムのパイプラインなのです。その許容時間は驚くほど短いです。これについては後ほど詳しく説明します。
AI音声エージェントの動作原理：5層のスタック
本番環境のAI音声エージェントは5つの層で動作します。テレフォニーが音声を入出力し、STTが音声をテキストに変換し、ツール呼び出し機能付きLLMが応答とアクションを決定し、TTSが返信を音声に戻し、オーケストレーターがターン管理、ストリーミング、割り込み、状態管理を含む全体のパイプラインを指揮します。各層は別々のモデルまたはサービスであり、700msという時計との戦いです。
以下は、音声の流れに沿った各層の説明です。
- テレフォニー／トランスポート。Twilio、Telnyx、SIPトランク、またはWebRTCを使用します。これは地味ですが重要な層で、電話通話（またはブラウザ音声）をスタックに取り込み、発信者に戻す役割を果たします。コーデックの選択ミスやノイズの多いSIPルートだと、美しいパイプラインの残りが2007年のSkype通話のように聞こえてしまいます。
- 音声認識（STT / ASR）。Deepgram Nova-3、AssemblyAI Universal-2、OpenAI Whisper、NVIDIA Canary Qwen 2.5B、Kimi-Audioなどがあります。これらはユーザーが話している最中にストリーミング音声をテキストに変換します。難しいのは文字起こしの精度ではなく、エンドポインティング（ユーザーの話が終わった瞬間を判断すること）です。
- LLM + ツール呼び出し。GPT-4o、Claude 4、Gemini 2.0など。他の場所で使用しているのと同じモデルですが、より厳しいレイテンシ予算と、CRM参照、予約API、および「人間への転送」ツールに向けた構造化された関数呼び出しスキーマを備えています。オーケストレーターは会話に基づいてどのモデルを呼び出すかを選択します。
- 音声合成（TTS）。ElevenLabs Flash、Cartesia Sonic、OpenAI TTS、Deepgram Auraなど。返信テキストはトークン単位でストリーミングされ、TTSはチャンク単位で音声を合成するため、LLMが文を終える前に音声再生が始まります。
- オーケストレーター。Retell、Vapi、Bland、LiveKit Agents、OpenAI Realtime、またはオープンソースのPipecatなど。4つの層間をストリーミングし、バージイン（エージェントの上に被せて話すこと）を処理し、エラーから回復し、会話状態を維持する指揮者です。どのオーケストレータープラットフォームが最適かについての詳細な比較は、別の記事でカバーしています。
音声エージェントは1つのモデルではなく、700msという時計との戦いにおける5つのコンポーネントです。
知っておくべき2つのアーキテクチャの種類があります。カスケード型（上記の5層パイプラインで、STT → LLM → TTSが別々のモデル）とエンドツーエンドの音声対音声（1つのモデルが入力音声と出力音声を処理するもので、OpenAI Realtime APIのようなもの）です。エンドツーエンド型はより高速で自然ですが、カスケード型は制御性が高くコスト効率も良いです。2026年の本番スタックの大半はまだカスケード型です。
ここで言う「ストリーミング」とは実際には何を意味するのか？
ストリーミングこそが鍵です。STTは数百ミリ秒ごとに部分的な文字起こしを出力し、LLMは生成と同時にトークンをストリーミングし、TTSはユーザーが割り込んだ場合にキャンセル可能なチャンク単位で音声を合成します。その結果、会話のように感じられます。ストリーミングがないと、双方向無線のように感じられてしまいます。
以下は、代表的なエージェント設定の例です（Retell / Vapiスタイル。正確な構文はプラットフォームによって異なります）。
{
"voice": { "provider": "cartesia", "voice_id": "sonic-en-female" },
"stt": { "provider": "deepgram", "model": "nova-3", "language": "en" },
"llm": { "provider": "openai", "model": "gpt-4o", "temperature": 0.3 },
"tools": [
{ "name": "lookup_order", "url": "https://api.example.com/orders" },
{ "name": "book_slot", "url": "https://api.example.com/calendar/book" },
{ "name": "transfer_to_human" }
],
"interruption_sensitivity": 0.7,
"endpointing_ms": 400
}
500-700msのレイテンシ予算（そしてなぜそれを感じるのか）
人間は自然な会話において、およそ600〜700ミリ秒以内に応答することを期待します。これが1秒を超えると、通話は悪い携帯接続のように感じられ、1.2秒を超えると、ユーザーはエージェントの上から話し始めたり、通話を切断したりし始めます。そのため、音声エージェントのアーキテクチャは根本的に知能の問題ではなく、レイテンシの問題です。
健全なスタックにおける予算の内訳は以下のようになります。
| 層 | 典型的なレイテンシ | 備考 |
|---|---|---|
| テレフォニー／ネットワーク | 50-200 ms | SIPルート、WebRTC品質に依存 |
| 音声認識（ストリーミング） | 100-500 ms | エンドポインティングが支配的 |
| LLM 初回トークン生成時間 | 200-2,000 ms | 変動要因 |
| TTS 初回音声生成時間 | 75-800 ms | ストリーミングTTSが鍵 |
| エンドツーエンドの現実的な目標 | 600-1,200 ms | >1,200 msでユーザーは切断し始める |
"Where the 700ms voice agent budget gets spent"
データテーブル
| "Milliseconds" | "Low end" | "High end" |
|---|---|---|
| "Telephony / network" | 50 | 200 |
| "Speech-to-text" | 100 | 500 |
| "LLM time-to-first-token" | 200 | 2000 |
| "Text-to-speech" | 75 | 800 |
私たちの構築事例では、LLMの初回トークン生成時間が最大の 변동要素であり、良好な条件下的でのGPT-4oで200msから、長いコンテキストウィンドウやコールドスタート時のモデルで2秒まで変動するのを確認しています。また、ここが分単位のコストの大部分を占める場所でもあるため、このスタックを実行するための実際の分単価の内訳については別途深掘りしています。
予算を静かに侵食する他の2つの要素もあります。エンドポインティングは、STTがユーザーの話が終わったと判断するタイミングです。これを攻撃的に設定しすぎるとエージェントが割り込み、緩やかに設定しすぎると awkward に沈黙が続きます。バージイン処理では、TTSチャンクが再生中にキャンセル可能である必要があります。否则、エージェントはユーザーの上から話し続けてしまいます。これらはどちらもオーケストレーターレベルの課題です。
スタックの応答に1.2秒以上かかる場合、ユーザーはすでにシステムが壊れていると判断しています。
AI音声エージェント vs IVR vs チャットボット vs 音声アシスタント
これら4つは頻繁に混同されます。AI音声エージェントは、ツール使用を伴うオープンエンドなリアルタイム音声会話を行います。IVRは線形的な電話メニューです。チャットボットはテキストのみです。音声アシスタント（AlexaやSiriなど）は、短く単発の音声コマンドを処理します。違いは、入力モダリティ、知能、リアルタイム性、そしてそれぞれが置き換えるものにあります。
| 属性 | AI音声エージェント | IVR | チャットボット | 音声アシスタント |
|---|---|---|---|---|
| 入力モダリティ | リアルタイム音声（オープンエンド） | 音声メニューまたはDTMFキーパッド | テキストのみ | 音声（単発コマンド） |
| 理解度 | LLM + NLU + ツール | キーワード／メニューマッチング | LLMまたはルール | NLU、意図限定 |
| 出力 | ストリーミングTTS、自然な抑揚 | 事前録音されたプロンプト | テキスト | 短い音声返信 |
| リアルタイム会話 | はい | いいえ（線形メニュー） | はい（テキスト） | はい（単発） |
| ツール／API呼び出し | はい（関数呼び出し） | 限定的（DTMFルーティング） | はい | 限定的（スキル／意図） |
| 置換対象 | 限定された通話での電話エージェント | 電話ツリー | ライブチャット Tier-1 | 「Hey [名前]」デバイスコマンド |
| 典型的な解決率 | 40-80%（ユースケース依存） | 10-25% | 30-60%（テキスト） | 単発コマンドでは高い |
| 失敗モード | ハルシネーション、レイテンシ停滞 | メニューループで行き詰まる | 誤ったルーティング、テキスト疲労 | ドメイン外での「分かりません」 |
本当の違いは、音声エージェントだけがツール使用を伴うリアルタイム、オープンエンド、マルチターンの音声を行う点です。IVRはメニューです。チャットボットはテキストウィンドウです。音声アシスタントはコマンドに答えます。音声エージェントは会話をします。
では、AlexaはAI音声エージェントなのか？
いいえ。Alexa、Siri、Google Assistantなどの音声アシスタントは、単発のウォールドガーデン型コマンドエンジンです。これらは「10分タイマーを設定して」には最適化されていますが、「注文履歴を確認しながら業者と配送窓口を交渉する」ようには設計されていません。異なる問題、異なるスタックです。
AI音声エージェントの用途
音声エージェントは、4つの高ボリューム通話カテゴリでその価値を発揮します。インバウンドサポート（FAQの迂回、注文照会、パスワードリセット）、アウトバウンドセールスおよび資格審査（アポイントメント設定、リード qualification、リストクリーニング）、アポイントメントスケジューリング（カレンダー参照、再スケジュール、確認）、調査およびフォローアップ（NPS通話、チャーン防止、フィードバック収集）です。パターンは同じです。高い通話量、狭い意図の範囲、ツール駆動型の解決。
インバウンドサポート。 これは最も容易な勝利です。エージェントは毎日同じ20の質問に答え、注文状況を確認し、パスワードをリセットし、本当に難しい案件は人間にルーティングします。McKinseyのコンタクトセンター自動化データによると、Tier-1の通話はほとんどのコンタクトセンターでインバウンド量の60〜80%を占めるため、計算が成り立ちます。
アウトバウンドセールスおよび資格審査。 アポイントメント設定、リード qualification、リストクリーニングです。ここではコンプライアンスが複雑になります。米国のアウトバウンド音声は、TCPA（同意規則）、A2P 10DLC（SMSブリッジ）、STIR/SHAKEN（発信者ID認証）の対象となります。早く出して壊すような場所ではありません。より広範な音声＋ビデオAIツール landscapeに興味がある場合は、関連するガイドがあります。
アポイントメントスケジューリング。 おそらく最もクリーンなユースケースです。エージェントはツール呼び出しを通じてCal.comまたはAcuityカレンダーを読み取り、次の3つの枠を提示し、1つを予約し、確認を送信します。医療、サロン、歯科、自動車修理など、電話で予約が行われるあらゆる場所です。レストランを経営している場合、その特定の業界でどのように機能するかについては、予約、キャンセル、待ち行列リストを同じエージェントで処理する方法を解説しています。
調査および通話後フォローアップ。 アウトバウンドNPS通話、フィードバック収集、チャーン防止。リスクが低く、コンプライアンスのハードルも低く（既存顧客関係が通常同意をカバー）、成功を測定しやすいです。
実際にサポートチームを置き換えられるのか？
短く答えれば：いいえ。そう主張して販売している人は、空虚なものを売っています。音声エージェントはチームを置き換えるのではなく、人間を必要としない60〜80%の通話をキャッチすることで、人間が実際に必要な仕事を行えるようにします。
AI音声エージェントではないもの（プロジェクトを頓挫させる4つの誤解）
失敗する音声エージェントプロジェクトの大半は、4つの間違った想定のいずれかが原因です。それは単なるマイク付きチャットボットである、LLMは魔法である、自動的に人間より安価である、またはチーム全体を置き換えることができる、というものです。これらはそれぞれ、アーキテクチャ、期待値設定、ROI計算、変更管理という異なる段階でプロジェクトを破綻させます。それぞれを整理しましょう。
誤解1：マイク付きチャットボットである
リアルタイムオーディオは異なるエンジニアリング分野です。エンドポインティング、バージイン、抑揚、ストリーミングバッファ管理、SIP品質のジッター処理は、チャットボットの領域には存在しません。2週間で動作するテキストチャットボットを出荷できるチームでも、音声エージェントを自然に感じさせるには2ヶ月かかります。音声エージェントをマイク付きチャットボットのように扱うことは、ユーザーが切断してしまうものを出荷する最も早い方法です。
誤解2：魔法である
違います。これは音声配管で包まれたGPT-4o（またはClaude、Gemini）です。同じハルシネーション、同じコンテキストウィンドウの制限、同じプロンプトインジェクションのリスクがあり、それがログ取得やレビューがより困難な音声形式になっています。「魔法」はモデルではなく、エンジニアリングの接着剤にあります。
誤解3：常に人間より安価である
非常に低い通話量、例えば月間500回未満の場合、分単価コスト加上げ投資額は、パートタイムの人間または優れたチャットボットのコストを上回るのが通常です。TCO（総所有コスト）の計算が成り立つのはボリュームがある場合のみです。ビジネスに合わせてサイジングする場合、それがビジネスにとって正しい動きかどうかでは、実際の数字を用いて1年目の経済性を解説しています。
誤解4：チーム全体を置き換える
しません。これはTier-1トラフィックのための迂回層です。残す人間は、エスカレーション、怒っている発信者、複雑なケース、共感と判断が重要な状況に対応します。最初からその組織構造を計画しないと、機能するスタックと不幸なチームを抱えることになります。
AI音声エージェントを導入すべきでない時（正直な限界）
音声エージェントが間違ったツールとなる5つのシナリオがあります。感情的または機密性の高い通話（悲嘆、医療に関する悪い知らせ、危機ホットライン）、低い通話量（設定TCOが節約額を超える月間〜500回未満）、コンプライアンス成熟度のない heavily regulated なワークフロー、多様なアクセントまたは低資源言語の運用、そして視覚的文脈が genuinely 必要なワークフローです。間違ったものに導入すると、プロジェクトは6ヶ月後退します。
1. 感情的、機密的、またはハイステークスな通話。 死亡通知、医療に関する悪い知らせの伝達、危機ホットライン、メンタルヘルスの初期対応。最先端のTTS抑揚でもまだそこには到達しておらず、ここでの1回の失敗通話のブランドコストは膨大です。人間のみで行うべきです。
2. 月間500回未満の通話量。 設定、構成、プロンプトチューニング、および分単価コストは、通常、月間数百回未満では採算が合いません。人間を使用するか、チャットボットを使用するか、より高いボリュームで再検討してください。選択肢を検討している場合、構築、SaaS購入、またはエージェンシー雇用すべきかが意思決定を分解しています。
3. コンプライアンス対応余力のない heavily regulated なワークフロー。 米国のアウトバウンド音声は、TCPA（同意）、A2P 10DLC（SMSブリッジ）、およびSTIR/SHAKEN / ATIS-1000074（発信者ID認証）の対象となります。医療にはHIPAA、EU通話にはGDPRが追加されます。法務およびコンプライアンスリソースがない場合は、まだアウトバウンド音声を出荷しないでください。
4. 多様なアクセントまたは低資源言語の運用。 Hugging Face Open ASR Leaderboardによると、非主流のアクセントおよび多くの低資源言語では、STTの単語誤り率（WER）が15%を超えて急上昇します。本番環境グレードの精度にはアクセント固有のチューニングが必要ですが、ほとんどのプラットフォームはまだ提供していません。
5. 視覚的または画面共有ワークフロー。 ユーザーが何かを見る必要があるもの、UI walkthrough、ドキュメントレビュー、視覚的なオプション比較などでは、音声は間違ったモダリティです。音声エージェント導入における信頼を失う最も早い方法は、人間が依然として処理すべき通話タイプにそれを展開することです。
2026年のAI音声エージェントスタック（概要）
2026年の音声エージェントスタックは年々賢くなったのではなく、高速化しました。サブ100msのTTS初回音声生成時間は現在標準であり、話者分離付きストリーミングSTTは必須事項となり、OpenAI RealtimeやGemini Liveなどの音声対音声モデルは、カスケードパイプラインを1つのモデルに統合し始めています。本番チームは、制御性とコスト予測可能性のため、依然として主にカスケードスタックを実行しています。
2026年のSTT。 NVIDIA Canary Qwen 2.5Bは平均WERサブ7%でOpen ASR Leaderboardをリードし、Kimi-AudioはLibriSpeech cleanで1.28%のWERを報告しています。Deepgram Nova-3とAssemblyAI Universal-2は本番環境のデフォルトであり、どちらもストリーミングし、話者分離を行い、ボックスから出して適切にエンドポイント処理を行います。
2026年のLLM。 GPT-4o、Claude 4、Gemini 2.0はすべて、安定したレイテンシで本番環境グレードの関数呼び出しをサポートしています。音声対音声モデル（OpenAI Realtime、Gemini Live）はSTTおよびTTS層を完全にスキップし、レイテンシを低下させ、より自然な抑揚を提供しますが、ツール呼び出し構造の制御性が低く、分単価が高くなります。カスケード型が依然として本番環境のデフォルトです。
2026年のTTS。 ElevenLabs FlashおよびTurbo、Cartesia Sonic（サブ100msの初回バイト時間）、OpenAI TTS、Deepgram Aura。キャンセル可能なチャンクを持つストリーミングTTSが、バージインを自然に感じさせるものです。2026年のスタックは賢くならず、高速化しました。サブ100msのTTS初回音声生成時間が、音声エージェントをついに本当の会話のように感じさせるものです。
2026年のオーケストレーター。 Retell、Vapi、Bland、LiveKit Agents、OpenAI Realtime、オープンソースのPipecat。それぞれが異なるトレードオフ（BYOK対バンドル、レイテンシ最適化対機能の幅、OSS対マネージド）を行っています。最も人気のある3つのオーケストレーターの頭-to-head比較については、比較記事で深く掘り下げています。また、予算をサイジングする場合、このようなスタックが2026年に実際にかかる費用は、選択するモデルに応じて通常$0.05-0.30/分の範囲に着地します。
Techsyのアプローチ
私たちは本番ワークロード、スケジューリング、サポート迂回、アウトバウンド qualification 向けに、Retell、Vapi、OpenAI Realtime上で音声エージェントを構築してきました。この記事での枠組みは、ベンダーのトークではなく、それらを出荷することで実際に学んだことです。プラットフォームの選択はユースケースに完全に依存します。BYOK加上げ厳格なレイテンシ制御はあるスタックを有利にし、最短のパイロット時間は別のスタックを有利にし、カスタムオーケストレーション付きOSSは第3のスタックを有利にします。正解はプロジェクトごとに変わるため、ここでは勝者を選びません。特定の通話量、コンプライアンス要件、既存のCRMに合わせて構築をスコープしたい場合、私たちのチームはあなたの実際の制約に対して音声エージェントをスコープできます。
よくある質問
AI音声エージェントはどのように動作しますか？
音声を5つの層を通してストリーミングします。テレフォニーが通話を入出力し、STTが音声をリアルタイムでテキストに文字起こしし、ツール呼び出し機能付きLLMが何を言い、どのAPIを叩くかを決定し、TTSが返信をストリーミング音声として合成し、オーケストレーターがターン管理、割り込み、状態を管理します。このループ全体は1.2秒をはるかに下回る時間で完了する必要があります。
AI音声エージェントは人間のエージェントを置き換えられますか？
いいえ。そう主張する人は疑ってかかるべきです。音声エージェントは、FAQ、照会、単純なスケジューリングなど、予測可能なパターンに従う40〜80%の通話を迂回させ、人間のエージェントが複雑、感情的、または高価値な通話に集中できるようにします。現実的な結果は、空のコンタクトセンターではなく、人間を genuinely 必要とするケースを処理する、小規模でより高給なチームです。
AI音声エージェントの使用は合法ですか？
管轄区域と方向性によります。自社顧客の通話に応答するインバウンド音声エージェントは一般的に問題ありません。米国のアウトバウンド音声は、TCPA（同意）、A2P 10DLC（SMSブリッジ）、STIR/SHAKEN（発信者ID認証）によって規制されています。EU通話にはGDPRが追加されます。医療にはHIPAAが追加されます。必ず法務チームに確認してください。これは法的助言ではありません。
AI音声エージェントはチャットボットとどう異なりますか？
チャットボットはテキストのみで、遅い応答を許容します。ユーザーは typed 返信に2〜3秒待つでしょう。音声エージェントは700ms以内に応答し、割り込みを処理し、オーディオバッファを管理し、抑揚に対処する必要があります。基盤となるLLMはしばしば同一ですが、その周りのエンジニアリングは完全に異なります。
AI音声エージェントのコストはいくらですか？
本番スタックは通常、$0.05-0.30/分の範囲に着地し、ユースケースの複雑さに大きく変動する一回限りの設定コストが加算されます。変動要因は、使用するLLM、TTSプロバイダー、およびBring Your Own Keyかどうかです。スタック別の実際の分単価内訳については、価格解説記事を参照してください。ここでの数字は例示的です。
期待すべきレイテンシはどれくらいですか？
よく構築された現代のスタックは、エンドツーエンドで600ms〜1.2秒の間に着地し、LLMの初回トークン生成時間が最大の変動要素です。1.2秒を超えると、離脱率が急激に上昇し、ユーザーはエージェントの上から話し始めたり、切断したりします。ストリーミングTTSと積極的なエンドポインティングチューニングが、予算内に収めるための主なレバーです。
どうやって構築しますか？
高レベルでは：オーケストレーター（Retell、Vapi、Bland、LiveKit Agents、またはOpenAI Realtime）を選択し、それをLLMとあなたのツールに接続し、Twilioまたはオーケストレーターのバンドルテレフォニー経由で電話番号に向けます。STT、TTS、およびエンドポインティング閾値を設定し、プロンプトを反復します。head-to-headオーケストレーター比較はプラットフォーム固有の違いをカバーしています。
自社構築すべきか、SaaS音声エージェントを購入すべきか？
ボリューム、カスタマイズニーズ、コンプライアンス姿勢によります。低ボリューム、標準的なユースケースはSaaSを有利にします。高ボリューム、カスタムワークフロー、または厳格なコンプライアンス環境は、構築またはハイブリッドスタックを有利にすることが多いです。1年目の経済性を含む完全な意思決定フレームワークは、構築vs購入ガイドにあります。
まとめ
持ち帰るべき3つの要点。1つ目、音声エージェントはリアルタイムストリーミングパイプラインであり、5層、サブ700msの予算、オーディオを取り付けたチャットボットではありません。2つ目、真の価値はチームを置き換えることではなく、人間を必要としない60〜80%の通話をキャッチし、人間が実際に人間を必要とする仕事を行えるようにすることです。3つ目、カスタム音声や12ツールの関数呼び出しグラフで凝る前に、基本（レイテンシ予算、正直な限界、コンプライアンス）を正しく行うことです。
音声エージェントがあなたのビジネスに適しているかどうかを検討している場合、私たちのチームは上記のプラットフォームでそれらを構築しています。あなたのユースケースについて話し合いましょう。デモの treadmill ではなく、正直なスコーピング会話だけです。