音声AIコスト計算ツール

算出方法

4つのレイヤーは、それぞれ課金単位が異なります。音声認識とテレフォニーは元から分単位です。言語モデルは100万トークンあたり、音声合成は1,000文字あたりの価格なので、どちらも分からの換算が必要になります。そして音声コストの見積もりが狂う原因は、たいていこの2つの換算にあります。

4つのレイヤーのうち2つは、すでに分単位で課金されている。残る2つはそうではなく、それを分単位に換算するところで音声コストの見積もりはたいてい狂う。

spokenWords/min = wordsPerMinute × agentTalkShare
chars/min       = spokenWords/min × charactersPerWord
outTokens/min   = spokenWords/min × tokensPerWord

sttCost         = sttRatePerMinute                       (full connected minute)
llmInputCost    = inputTokensPerMinute × rateIn  / 1e6
llmOutputCost   = outTokens/min        × rateOut / 1e6
ttsCost         = (chars/min / 1000)   × ratePer1kChars
telephonyCost   = telephonyRatePerMinute                 (full connected minute)

total/min       = stt + llmInput + llmOutput + tts + telephony + platform

音声認識（STT）と電話回線は、接続している全時間に対して課金される — エージェントは話す分だけでなく、聞く分にも支払う。音声合成（TTS）と生成トークンはエージェントが話している間しか発生せず、発話比率50%なら毎分およそ75語にあたる。

計算例

軽量な構成 — 文字起こしにDeepgram Nova-3、Claude Haiku 4.5、音声にAura-1、着信はTwilio — で接続1分あたり約$0.024。3分の通話でおよそ7セント、月10,000分なら$240。内訳は電話回線35%、音声合成26%、音声認識20%、プロンプトトークン17%、生成トークンはわずか2%。

フロンティアモデルとプレミアム音声に差し替えると、同じ通話が1分あたり約$0.062になり、構成比は逆転する。プロンプトトークンが32%で最大の項目となり、音声合成が33%、電話回線は23%に下がる。どのレイヤーを最適化する価値があるかは、実際に運用する構成次第で完全に変わる。だからこのツールは合計だけでなく内訳を示している。

プロンプトトークンが支配的で、生成トークンはそうでない理由

上のどの構成でも直感に反する結果が出る。エージェントが生成するトークンはほぼ無料で、読み込むトークンが実際の費用になる。エージェントの発話1分はおよそ100出力トークン。一方、システムプロンプト、ツール定義、そこまでの会話全体が毎ターン再送されるため、毎分数千の入力トークンになる。この比率こそ、安いモデルへの切り替えよりプロンプトキャッシュのほうが請求額を大きく動かす理由であり、長いシステムプロンプトが一度きりではなく継続的なコストになる理由でもある。

含まれていないもの

電話番号のレンタル料、録音とストレージ、オブザーバビリティ、そして4社構成のスタックを組み上げて動かし続けるエンジニアリング工数。マネージド型のプラットフォームはこれらを1つの分単位レートにまとめている — 条件を揃えて比較するには、プラットフォーム利用料として入力してほしい。ここでのレートは公開されている従量課金価格であり、ボリューム契約やコミット契約では変動する（通常は下がる方向に）。

価格は米ドルのみで表示している。ここでモデル化したプロバイダーはすべてドル建てで価格を公開しているからだ。換算すれば為替レートを勝手に決めて、それをコストとして提示することになる。

Last reviewed July 2026.

よくある質問

音声AIエージェントの1分あたりのコストはいくらですか?

公開料金ベースでは、Deepgram Nova-3、Claude Haiku 4.5、Aura-1、インバウンドのTwilioという軽量スタックで、接続1分あたり約$0.024、3分の通話でおよそ7セントです。フロンティアモデルとハイエンド音声を使うプレミアムスタックでは、1分あたり$0.062近くになります。軽量スタックではテレフォニーと音声合成が言語モデルより高くつくのが普通で、これは多くの人にとって意外な結果です。

どのレイヤーが最もコストがかかりますか?

スタック次第であり、それこそが内訳を見る意味です。低コスト構成では、テレフォニーが単一項目として最大になることが多く、35%前後を占めます。一方、言語モデルの生成トークンはわずか2%程度です。フロンティアモデルとプレミアム音声に切り替えると、この比重は逆転します。LLMのプロンプトトークンとTTSがそれぞれ3分の1ほどを占めるようになります。すでに請求額の2%しかないレイヤーを最適化しても、労力の無駄です。

なぜプロンプトトークンは生成トークンよりこれほど高いのですか?

システムプロンプト、ツール定義、そしてそれまでの会話全体が、ターンごとに毎回再送されるためです。一方でエージェントが生成するのは、実際に話す言葉だけです。1分の発話はエージェントの発話でおよそ75語、出力トークンにして約100トークンにすぎず、これに対して入力トークンは1分あたり数千に達します。ここで効くレバーは、安いモデルに乗り換えることではなくprompt cachingです。

どのような前提を置いていますか?

発話速度は毎分約150語、エージェントの発話は通話時間の半分、1語はおよそ5.5文字かつ1.35トークン、会話1分あたり約4,000プロンプトトークンが送信される、という前提です。この5つはすべて「換算の前提」から編集できます。中でもプロンプトトークンの値は、自社トラフィックの実測値に置き換える価値が最も高い項目です。

なぜ価格はドル表示だけなのですか?

ここでモデル化しているプロバイダーはすべて米ドルで価格を公開しているためです。他通貨に換算すれば、為替レートを勝手に作り出してそれをコストとして提示することになり、ドルのまま表示してご自身の信頼するレートで換算していただくよりも悪い結果になります。

これは実際に私が支払うレートですか?

公開されている従量課金（pay-as-you-go）レートで、それぞれの横に示した日付時点で検証済みです。ボリュームコミット、エンタープライズ契約、年間プランはいずれもレートを動かし、たいていは引き下げます。second-hand と記載されたレートは、ベンダー自身の価格ページではなく第三者の報道を経由して得たものです。購買判断の前に確認してください。

エージェントを動かすプラットフォームは含まれていますか?

追加した場合のみです。4つのコンポーネントレイヤーは、組み上げたスタックが素のインフラとしていくらかかるかを示すものです。マネージド型プラットフォームは、オーケストレーション、テレフォニー、モニタリング、サポートを1つの分単価にまとめています。条件を揃えて比較するには、それをプラットフォーム料金として入力してください。また、自前で組んだスタックには、このモデルが価格に含めていないエンジニアリング工数もかかることを忘れないでください。

関連記事