ブログ · · 約 6 分で読めます

音声 AI の費用の内訳:認識・生成・合成・電話の回線

電話の音声 AI にかかる費用を、音声認識・生成 AI・音声合成・電話の回線の 4 つに分け、それぞれが何に比例して増えるかを解説します。費用を増やす会話の作りと減らし方、試しの会話で会話ごとの費用と会話時間を測り、結果ごとに比べて会話を直す手順までまとめます。

要点

  • 電話の音声 AI の費用は、音声認識・生成 AI・音声合成・電話の回線の 4 つに分かれ、ほとんどが通話の長さと会話の往復の数に比例して増えます。
  • 費用を左右するのは単価より会話の作りです。長い指示文、長い答え、聞き直しの多さが、通話を長くし、生成 AI に送る量を増やします。
  • 見積もりの数字を当てにするより、試しの会話で会話ごとの費用と会話時間を測り、結果の内訳ごとに比べるのが確実です。

電話の音声 AI の費用は、音声認識(声を文字にする)・生成 AI(返事を考える)・音声合成(返事を声にする)・電話の回線の 4 つに分かれます。どれも通話が長いほど、会話の往復が多いほど増えるので、費用を抑えるいちばんの近道は、単価を比べることより、短く済む会話を作ることです。この記事では、それぞれが何に比例して増えるかと、実際の費用の測り方を説明します。

費用の 4 つの部分

1 本の電話の裏では、4 つの部分が動いています。

部分 していること 費用が増える要因
音声認識 相手の声を文字にする 通話の長さ(相手が話していない時間も音声は流れ続ける)
生成 AI 文字を読んで返事を考える 往復の数 × 1 回に送る量(指示文・会話の履歴・ツールの結果)
音声合成 返事の文章を声にする AI が話す文字の量
電話の回線 番号を持ち、通話をつなぐ 番号の数と会話の分数

多くの API は、音声認識を音声の長さ、生成 AI を送った量と返した量(トークン)、音声合成を文字の量で数えます。料金の形は会社ごとに違うので、使う API の料金のページで単位を確かめます。電話の回線は、たとえば Twilio なら番号の月額と会話の分数で数えます(Twilio の料金のページ)。

このほかに、音声をつなぐサーバー、監視、会話の記録の保管などの運用の費用もかかります。自分で組み立てる場合は、作る人と保守する人の時間も費用に入ります(自作か基盤かの記事)。

生成 AI の費用が膨らむ仕組み

4 つのうち、会話の作りでいちばん大きく変わるのが生成 AI です。生成 AI には記憶が無いため、返事を考えるたびに、指示文とそれまでの会話の履歴をまとめて送ります。

  • 往復が 1 回増えるたびに、送る履歴が長くなる。
  • 指示文が長いと、その長さが毎回の往復にかかる。
  • ツールの結果に長い JSON を返すと、それ以降の往復にもずっと乗る。

つまり、往復の数と 1 回に送る量の両方が、通話が進むほど効いてきます。指示文を必要なことに絞り、ツールの応答を AI が話す分だけに絞ると、費用と応答の速さの両方に効きます(会話中のツールの記事)。

費用を増やす会話の作り

費用は、次のような会話の作りで増えます。どれも通話を長くするか、送る量を増やします。

  1. 答えが長い: よくある質問の答えを文章のまま読ませると、合成の量も通話の長さも増えます。電話では 1〜2 文で答え、詳しくは別の手段に回します。
  2. 聞き直しが多い: 名前や番号を聞き取れずに何度も聞き直すと、往復が増えます。業種と用語のヒントや、読み上げての確認で、1 回で正しく取れるようにします。
  3. 用件がはっきりしない: 最初のあいさつで用件を聞かないと、雑談のような往復が続きます。
  4. 終わり方が決まっていない: 聞き取りが終わったら締めて切る、という終わりを決めておかないと、相手が切るまで会話が続きます。
  5. 人に渡すのが遅い: AI で扱えない用件を長く引き延ばすと、費用をかけたうえで結局人が対応します。

逆に言えば、会話の設計を良くすることが、そのまま費用の削減になります。

費用の測り方

見積もりの数字を当てにするより、実際の通話で測るのが確実です。

  1. 本番に近いエージェント設定で、試しの会話を用件ごとに何本かかける(予約・変更・問い合わせ・引き継ぎなど)。
  2. 会話ごとに、会話時間と費用を記録する。
  3. 結果(聞き取りが終わった・質問で済んだ・引き継いだ・途中で切れた)ごとに平均を出す。
  4. いちばん長い用件の通話を聞き直し、往復を減らせる箇所を探す。
  5. エージェント設定を直して、同じ用件でもう一度測る。

本番に入ってからも、月ごとに結果の内訳と会話時間を見ておくと、設定の変更が費用にどう効いたかが分かります。見る指標は運用の指標の記事にまとめています。

voicast での費用の確かめ方

voicast の料金は会話 1 分あたりの従量課金で、音声認識・生成 AI・音声合成の部分をまとめて会話 1 分あたり 10 円(税別)で数えます。電話番号と回線は SaaS の Twilio などのアカウントのものを使うので、回線の費用はそちらで別にかかります。

会話ごとの費用は、結果の API の billed_yen と duration_ms で確かめられます。

sh
curl -s https://api.voicast.jp/v1/calls/by-provider/CA1234567890abcdef \
  -H "authorization: Bearer $VOICAST_API_KEY"
# { "outcome": "completed", "duration_ms": ..., "billed_yen": ..., ... }

期間でまとめるときは GET /v1/usage を使います。group_by に tenant・day・channel を指定すると、まとまりごとの会話の数・秒数・分数・金額の目安(amount_yen、税別)が返ります。数えるのは期間内に終わった通話で、分数はまとまりごとに秒の合計を 60 で割って切り上げます。テストの環境の会話も本番と同じ値段で数えます。

sh
curl -s "https://api.voicast.jp/v1/usage?from=2026-12-01&to=2026-12-31&group_by=tenant" \
  -H "authorization: Bearer $VOICAST_API_KEY"

SaaS が自社のお客さまに音声 AI の利用を請求するときの内訳の取り方は、利用の請求の記事で扱います。

よくある質問

1 本の電話でいくらかかるかを先に知る方法はありますか。

用件ごとに試しの会話をかけ、会話ごとの費用と会話時間を測るのが確実です。同じ用件でも、相手の話し方や聞き直しの数で長さが変わるので、何本かの平均で見ます。

相手が黙っている時間にも費用はかかりますか。

電話の回線は通話がつながっているあいだ数えられ、音声認識も音声が流れているあいだ動きます。黙ったまま会話が止まらないように、無言のときの扱いを決めておくことが費用の面でも大切です。voicast の料金は会話の時間で数えます。

テストの会話にも費用はかかりますか。

voicast では、テストの環境の会話も本番と同じ値段で数えます。無料の分数はありません。試すときは、用件を決めて必要な本数だけかけるようにします。

関連記事