「使ってみた」の、その先へ

前回までの記事では、話しかけるだけで作れるAI電話を、実際に触ってご紹介してきました。すると、こんな相談が増えてきたんです。「実際に自社の営業に組み込むなら、どう作るのがいいの？」

前回記事（【第2弾】AI電話はどこまでいける？ Grokの音声AIで、声の調整から営業電話・多言語まで試してみました）

そこで今回は、少しだけ"作る側"の視点でお話しします。とはいえ、難しい専門書のような話ではありません。「AIに営業電話を任せよう」と思って作り始めると、実は最初に大きな分かれ道がある――今回は、その分かれ道と、料金の違いまで、できるだけかみくだいてお伝えします。

まず、AI電話は「3つの部品」でできています

どんなAI電話も、フタを開けてみると、だいたい3つの部品の組み合わせでできています。人間にたとえると、こんな感じです。

• STT（音声認識）＝「耳」 … 相手の声を聞き取って、文字にする

• LLM（頭脳）＝「頭」 … 内容を理解して、次に何を言うか考える

• 音声（発話）＝「口」 … 考えたことを、声にして返す

聞いて、考えて、話す。たったこれだけです。そして面白いのが、この「口」の部分をどう作るかで、設計がまるっと2つに分かれるんですね。

設計①：一体型AI音声（ぜんぶ1つのAIにおまかせ）

1つ目は、3つの部品を1つのAIがまとめて担当する方式です。前回まで触ってきたGrok（xAI）のツールが、まさにこれ。相手の声を聞いて、考えて、その場で声を作って返す――全部ひとりでこなす、いわば"何でも屋さん"です。

いいところ

• 台本も録音もいらない。指示を書くだけで、すぐ会話が成立する

• 想定外の質問がきても、その場で考えて答えてくれる

• とにかく手軽で、応答も速い

気になるところ

• 声は「AIが合成した音声」。かなり自然ですが、生身の人の声そのものではありません

• 「この人の声で」と特定の誰かを完全再現するには、まだ制約があります

問い合わせ対応や受付のように、何を聞かれるか読めない・柔軟さがほしい場面にぴったりです。

設計②：録音再生型（人の声を、録っておいて流す）

2つ目は、ちょっと発想が違います。あらかじめ人が話した声を録音しておいて、AIは「今はどの録音を流すか」を選ぶだけ、という方式です。3つ目の「口」を、AIの合成音声ではなく"人の生声の再生"に置き換えるわけですね。

実は、世の中のAI営業電話サービスの多くが、この方式を採っています。

いいところ

• なんといっても完全に自然な"人の声"。合成音声っぽさがなく、聞く人が安心します

• 何度かけても、言い回しも声のトーンもブレない

• 話す本人が録音するだけなので、声のクローンのような制約も受けにくい

気になるところ

• 決まった流れ向きです。録音していないことは、答えられません

• 想定される受け答えを、先に録音しておく手間はかかります

営業のアポ取りのように、話す流れがある程度決まっている場面では、この方式が本当に強いです。

2つの設計、ざっくり比べると

どちらが偉い、という話ではなくて、用途によって"正解"が変わる。ここがいちばん大事なところです。

ツールの選び方 ― どこに、何を使う？

とくに「設計②：録音再生型」を作るときは、3つの部品をそれぞれ別のツールで組み合わせます。代表的な顔ぶれをご紹介します。

• STT（耳）：Vapi のような音声エージェント基盤が、通話のやりとりと音声認識をまとめて引き受けてくれます

• LLM（頭）：Gemini Flash-Lite のような軽くて安いモデルが、「次はどの録音を流すか」を判断する役に向いています

• 音声（口）：録音再生型では合成音声を使わず、用意した録音の再生を、通話をさばく基盤（Vapiなど）が担当します

つまり、「1つのAIに全部おまかせ（設計①）」でいくか、「役割ごとに得意なツールを組み合わせる（設計②）」でいくか、の違いでもあるんですね。

気になる料金 ― ここが意外と差が出ます

「で、結局いくらかかるの？」というのが、いちばん気になるところですよね。ここが2つの設計で、けっこう違ってきます。

① 一体型（Grok）は、全部込みでシンプル Grokの一体型は、耳も頭も口もぜんぶ込みで1分あたり約$0.05（約8円）。これに電話番号の料金が1分$0.01ほど乗るくらいで、とてもシンプルです。

② 組み合わせ型（Vapiなど）は、"表示価格＋積み上げ"に注意 一方、Vapiのような組み合わせ型は、表示上は「1分$0.05」と見えても、これは基盤の利用料だけなんです。実際には、この上に部品ごとの料金が積み上がります。

これを合計すると、**実際は1分あたり$0.13〜0.31（およそ20〜48円）**になることが多い、というわけです。表示価格だけ見て契約すると「思ったより高い」となりがちな、いわゆる"隠れコスト"ですね。

ただし、録音再生型なら音声合成（TTS）の分（約$0.04）は使わないので、そのぶんは浮きます。それでも、一体型よりは高めになります。

フェアに見ると、こういうことです。 一体型は「安くて、シンプル」。組み合わせ型は「やや高いけれど、人の声の自然さや細かい制御という"自由度"を買っている」。料金の差は、そのまま「手軽さ」と「作り込みの自由度」のトレードオフになっているんですね。

結局、どちらを選べばいい？

判断の軸は、シンプルです。

• 何を聞かれるか読めない・柔軟に答えたい（受付、問い合わせ、FAQ）→ 設計①：一体型AI音声

• 話す流れが決まっていて、人の声の自然さを最優先したい（営業のアポ取り）→ 設計②：録音再生型

大事なのは、「どのツールが一番いいか」から選ばないこと。まず"自社の用途にどっちの設計が合うか"を決めてから、ツールを選ぶ。この順番を逆にすると、せっかくのAIもうまくハマりません。

まとめ ― "設計から選べる"のが、いちばんの強み

AI電話は、ただ「入れる」ものではなく、用途に合わせて設計を選ぶもの。柔軟さがほしいなら一体型、人の声の自然さと安定を求めるなら録音再生型。そして料金も、その選び方しだいで変わってきます。

このあたりの「どっちが自社に合うか」「今の仕組みにどう組み込むか」を一緒に考えるのが、私たちのようなシステム開発会社の出番です。

「うちの営業電話は、どちらの設計が合う？」 「今の仕組みに、AIをどう組み込める？」

そんなご相談があれば、VISKが用途の整理から設計・実装まで、まるっとお手伝いします。お気軽にお声がけください。

本記事の情報は2026年7月時点のものです。各ツールの仕様・料金は変更される場合があります。