入力音声2分
2 × $0.005 = $0.010
リアルタイム音声AIの費用
音声エージェントは、通話時間に一律の単価を掛ければ請求額が出るとは限りません。音声を直接処理するモデルでは入力音声、生成音声、テキスト、過去の会話を別々に計上する場合があります。文字起こし・言語モデル・音声合成を組み合わせる構成では、さらに課金元が増えます。
構成から考える
| 構成 | 主な課金対象 | 間違えやすい点 |
|---|---|---|
| 音声入力・音声出力を直接扱うモデル | 入力音声、出力音声、適用されるテキスト・推論処理、保持した会話履歴 | 新しい音声だけの参考分単価を、通話全体の単価とみなす |
| 文字起こし → LLM → 音声合成 | 音声認識、LLMの入出力、音声合成、必要に応じて制御基盤 | LLMのトークン単価だけで全体の費用を判断する |
| 電話で受け付けるエージェント | 上記いずれかのAI処理に加え、発着信、電話番号、録音など | 電話回線の1分と音声トークンの1分を同一視する |
ブラウザ上の音声会話には電話回線料金が不要な場合があります。電話番号を使う場合も、通信料金とAI料金では課金の境界が異なることがあります。
計算例
Googleが公開するGemini 3.8 Liveの有料枠では、新規の入力音声は約$0.005/分、生成音声は約$0.018/分に相当します。音声トークン単価から示された目安であり、セッション全体の固定分単価ではありません。
2 × $0.005 = $0.010
1 × $0.018 = $0.018
$0.028。請求総額ではありません。
音声の長さを仮定した計算例です。テキスト、推論、会話履歴の再処理、ツール呼び出し、基盤料金、電話回線料金は含みません。Google Live APIでは過去の音声履歴が後続ターンで再び入力として課金対象になる場合があり、参考分単価だけで通話全体を計算するのは不適切です。Gemini公式料金表とLive APIの課金説明を確認できます。
別の「1分」
Twilioは通話経路ごとの課金を案内しており、60秒未満の端数は次の1分へ切り上げます。公式例では、米国の着信フリーダイヤルに61秒の着信があり、分単価が$0.022の場合、電話回線の着信部分だけで$0.044です。これはAIモデルの価格ではなく、国・発着信・番号種別・契約で変わります。
転送先に接続する場合は複数の通話経路に料金がかかることがあります。電話網を使わないブラウザ音声会話に、架空の回線費を加える必要はありません。Twilio公式の課金例。
見積もり手順
OpenAIのRealtimeモデル公式資料でも音声とテキストの単価が区別されています。テキストの入力単価を音声入力に流用しないでください。実際の購入前には必ず公式料金と利用条件を確認してください。