Ultravoxは、音声を文字に変換せず直接理解する音声ネイティブなモデルと専用インフラで、リアルタイムの会話型ボイスエージェントを開発・運用するためのAIプラットフォームです。一般的な音声AIは音声を文字起こししてからLLMに渡すため、遅延が増え、声のトーンや抑揚といった情報も失われます。Ultravoxは自社で学習させた音声モデルと推論基盤をまとめて運用し、この2つの問題を解消する設計を取っています。
主な機能
- 開発者向けのREST APIと、Webとモバイルの主要プラットフォーム向けSDK
- 大手の電話サービスとの組み込み連携
- ボイスエージェントの構築と拡張を助ける組み込みツール
- 話し終わりを予測して会話の順番を判断するUltraVAD v0.1
中核モデルのUltravox v0.7は、音声での推論力を測るBig Bench Audioで、推論なしで91.8%、思考を有効にすると97%のスコアを公表しています。モデルはオープンウェイトで、Hugging Faceで公開されています。
料金
- Pay Go: 月額0ドル。1分5セント（音声合成込み）で、同時通話は5件まで
- Pro: 月額100ドル（年払い時）。同時通話数のハード上限なし
- Enterprise: 個別見積もり
向いている使い方と注意点
顧客対応や予約受付、営業架電など、電話やアプリ内で自然な音声対話をさせたい開発チームに向きます。一方で、APIやSDKを前提とした開発者向けの設計のため、コードを書かずにすぐ使えるツールではありません。また、UltravoxはInworldによる買収が発表されており、今後の提供内容は公式の案内を確認しながら判断する必要があります。
