2026年に電話して試す価値のあるAI音声エージェント25選【ランキング】

2026年のAI音声エージェントのランキングでは、ElevenLabsが首位に立ち、Vapi、Sierra、Blandが僅差で続きます。ただ、順位よりも大事な判断がひとつあります。誰が構築して運用するのか、という点です。開発者向けプラットフォームも、マネージド型のエンタープライズ向けエージェントも、電話システムのアドオンも、どれも電話には応答できます。でも、導入の仕方はまるで違います。

この違いが、以降の内容すべての土台になります。Vapi、Retell AI、LiveKitのような開発者向けプラットフォームは、部品を提供するので、組み立ては自分で行います。SierraやBlandのようなマネージド型は、通話の運用をまるごと任せられます。Dialpadのようなコンタクトセンター向けスイートは、すでに人が対応している電話システムの中にAIを組み込みます。

下のリーダーボードには、現時点の上位25製品を掲載しています。この記事では、リーダーボードだけでは分からない判断材料をお伝えします。どんなチームにどれが合うのか、分単価の数字が実際には何を意味するのか、そしてどこに落とし穴があるのかです。

まず結論:おすすめ早見表

• 音声の品質と機能の幅広さを重視するなら、まずElevenLabsです。ランキング上でスコア80に達しているのはこの製品だけです。
• 開発者が今週中に電話エージェントを出荷したいなら、最初に試すのはVapiです。料金ページも驚くほど分かりやすくなっています。
• オープンソースで、パイプライン全体を自分で制御したいチームは、LiveKitを検討してください。
• 規制の厳しい業界での大量のアウトバウンド/インバウンド通話なら、Blandが向いています。自社のインフラ上でモデルを動かせます。
• 電話回線が数本の小規模事業者には、Quoが最も手間がかかりません。AI受付が全プランに含まれているためです。
• すでにコンタクトセンターを運用しているなら、Dialpadを使えばAIと人間のオペレーターを同じキューで扱えます。

2026年に音声エージェントで変わったこと

まず動いたのは資金です。ElevenLabsは年初のシリーズDで評価額110億ドルとなり、同社の発表によると、3億ドルの従業員向けテンダーオファーで評価額は220億ドルに達しました。ElevenAgentsの売上は3倍以上に伸び、週あたりの会話数は1,500万件を超えています(ElevenLabs)。Sierraは評価額150億ドル超で9億5,000万ドルを調達しました(TechCrunch)。これらの数字をどう見るにせよ、音声はもはやデモ段階のカテゴリではありません。

もうひとつの話題は速度で、こちらはあまり芳しくありません。Hammingは1,000万分を超える本番通話を分析し、応答時間の中央値が1.4〜1.7秒、20回に1回の最も遅い通話では4秒を超えることを突き止めました(Hamming)。優れたエージェントの目標は800ミリ秒未満です。このギャップがあるから、ランキングに載るどのベンダーもレイテンシを語りますし、実際に通話を聞くまではその数字を「主張」として扱うべきなのです。

なぜ難しいのか、1ターンの流れで見てみましょう。発信者が話し終えます。エージェントは本当に話し終えたのかを判断し、音声をテキストに変換し、言語モデルに返答を書かせ(その前にカレンダーやCRMを確認することも多いです)、その返答を音声に戻します。さらに、発信者が割り込んできたら、文の途中でも止まらなければなりません。

各段階はそれぞれ別のモデルで、それぞれ遅延が加わります。下のチャートは、同じベンチマークをもとに、時間がどこで消費されるかを示しています。

言語モデルの幅がいちばん広いので、多くのプラットフォームでモデルを差し替えられるようになっています。ストリーミングも効果的で、モデルが文を書き終える前から音声の最初の部分を再生し始められます(Retellは約600ミリ秒を目指すとしていますが、これはベンダーの主張なので、自社の通話で試す価値があります)。

主要サービスのレビュー

チャートには、上位11製品のうちスコアが付いているすべての製品を掲載しています。Dialpad、LiveKit、Quoはランクインしていますが、まだスコアがないため、チャートには含めていません。

ElevenLabs:音声品質と機能の幅広さならこれ

ElevenLabsは2026年のランキングで1位、ToolRankスコアは80でエリート層です。もともとはテキスト読み上げの会社で、その強みが今も際立っています。70以上の言語に対応したリアルな音声、ボイスクローン、音声認識API、そして会話型の通話向けのElevenAgentsまでそろっています。ランキングの中で最も幅広いツールセットであり、声そのものが製品の中核になっている唯一のサービスです。

難点は、電卓が必要になる料金体系です。エージェントの通話は全プラン共通で1分あたり$0.08、言語モデルの料金は別途かかり、無料プランに含まれるのは15分だけです(ElevenLabs pricing)。上位プランほど含まれる分数は増えます($99のProプランで1,238分、$990のBusinessプランで12,375分)。それでも、エージェントとその下で動くモデルの両方に支払うことに変わりはありません。

Vapi:開発者の定番

Vapiは2位でスコアは72、ストロング層です。通話、SIP、同時接続、テストといった地味だが重要な部分を引き受けてくれて、音声認識、モデル、音声のベンダーは自由に選べます。料金ページによると、ホスティング料金は1分あたり$0.05、無料クレジットは$5で、モデル費用は上乗せなしでそのまま請求されます。文字起こしはおよそ1分1セント、音声は$0.015〜$0.024、モデルは1セント未満から約4.5セントまで幅があります(Vapi pricing)。

テレフォニー(Twilioのインバウンドは1分$0.008)を足すと、安く済むケースでも実質は約9セントになります。医療系のチームは、HIPAA対応が月額$2,000のアドオンである点にご注意ください。

Sierra:分数ではなく成果を求めるブランド向け

Sierraは3位でスコアは70です。音声を第一にしたツールではありません。エージェントを平易な英語やドキュメントから定義すると、ひとつのエージェントがチャット、SMS、メール、音声にまたがって動きます。同社によると、Fortune 50の40%以上が顧客です。分単価は見つかりません。Sierraは分数ではなく、解決した会話のような成果に対して課金するためです。ひとつの電話フローを試してみたい中堅企業にとっては、最初に叩く門ではありません。

Bland:規制の厳しい電話業務のために作られた

Blandは4位でスコアは69、2026年のランキングでは1つ順位を下げました。保険や医療のような業界向けのインバウンド/アウトバウンド通話に特化しており、自社のインフラ上だけでモデルを動かすこともできます。料金は公開されています。Startプランは月額固定なしで通話時間1分あたり$0.14、Buildプランは月額$299を払うと$0.12に下がります(Bland pricing)。Buildの元が取れるのは、月およそ15,000分を超えてからです。

Voiceflow:デザイナーやサポートリーダーが作る場所

Voiceflowは5位でスコアは58、ソリッド層です。チャットと音声のエージェントを一緒に設計するワークスペースなので、サポートチームがエンジニアを待たずに会話ロジックを改善できます。上位4つのプラットフォームよりスコアはかなり低く、テレフォニー基盤というよりまずデザインツールです。プロジェクトの難所が音声ではなく会話そのものにあるときに選んでください。

Retell AI:Vapiの最も近いライバル

Retell AIは6位でスコアは57です。テスト機能とモニタリングを備えた、本番運用可能な電話エージェントというVapiと同じ売りを掲げていますが、料金は1分あたり$0.07〜$0.31という幅のある見出し価格で提示されていて、$10の無料クレジットと20本の同時通話が含まれます。内訳も明記されています。インフラが$0.055、音声が$0.015〜$0.04、言語モデルは1分あたり0.1セントから(Retell pricing)。ユースケースは、受付、アポイント設定、リードの見極めに寄っています。

DialpadとLiveKit:対極にある2製品

Dialpadが7位、LiveKitが8位で、どちらもToolRankスコアはまだありません。この2つは正反対です。DialpadはAIネイティブのコンタクトセンターで、音声、チャット、SMS、メールに対応し、返金や予約変更を処理して人に引き継ぐ自律型エージェントを備えています。すでにエージェントがDialpadを使っているなら、これが有力候補です。

LiveKitはその逆で、音声、動画、フィジカルAIのエージェント向けのオープンソースフレームワークです。テレフォニーにも対応し、独自のターン検出モデルも持っています。ホスト型プランは無料のBuildから、月$50のShip、月$500のScaleまであり、エージェントセッションは1分1セントで、モデル費用は別です(LiveKit pricing)。価格が安い分、手厚いサポートは期待できません。手に入るのは部品です。

Quo:小規模事業者向けの受付係

Quo(旧OpenPhone)は9位です。まず共有のビジネス電話があり、AIツールはその次という位置づけです。音声エージェントのSonaは24時間応答し、全プランに付属しています。プランは年払いでユーザーあたり月$15からです。制限は料金に組み込まれていて、Sonaによる自動対応は10通話まで無料、最安プランでは超過分が1通話$1.00かかります(Quo pricing)。時間外対応には十分ですが、通話の多い受付には割高です。

PolyAI、Synthflow、Observe.AI

スコア53のサービスがあと3つあります。PolyAIは独自のRavenモデルでエンタープライズ向けの対話エージェントを構築し、ノーコードビルダーと開発者向けキットの両方を備えていますが、2026年のランキングでは2位から11位に後退しました。SynthflowはHIPAA、SOC 2、PCI DSSに準拠した自動電話応対を狙っていて、エンタープライズ料金は年$30,000からです(Synthflow pricing)。Observe.AIは会話分析とQAの出身なので、人間のオペレーターのコーチングと音声AIの追加を同じ製品で行いたいチームに向いています。

もうひとつ知っておきたいのが、14位のCartesiaです。他社のエージェントの土台となる音声モデルを作っていて、今では自社の音声エージェントも1分$0.06(テレフォニー別)で販売しています(Cartesia pricing)。19位のTelnyxは通信キャリア側で、グローバルなテレフォニーの上にAIインフラを載せています。

音声エージェントの本当のコスト

分単価は、比較が最も難しい項目です。ベンダーごとに線の引き方が違うからです。プラットフォーム料金だけを提示して、モデルと電話回線は別請求にするところもあれば、すべてをひとつの料金にまとめるところもあります。数字をまったく公開しないところもあります。

このチャートは合計ではなく、下限として読んでください。Vapiの5セントは、音声とモデルとキャリアを足すまでは安く見えます。Blandの14セントは高く見えますが、モデル、文字起こし、音声が含まれています。ElevenLabsはその中間で、モデルの請求は自分で払う形です。

下の計算ツールは、月間の通話分数を入力すると、ベンダー自身の料金ページに載っている単価だけを使って試算します。下限にあたる数字には、その旨を表示しています。

2,000分と40,000分の両方で試してみてください。順位はほとんど変わりませんが、下限と実際の見積もりの差は急速に広がります。どのベンダーにも、電話回線とモデルを含めた5分間の通話のトータルコストを尋ねましょう。

選び方

ツールではなく、まずチームから考えましょう。開発者主導のチームなら、数日でスタックを組み上げられます。エンジニアがいない運用チームには、マネージド型のエージェントかビルダーが必要です。すでにコンタクトセンターを持っている会社は、新しいシステムを足す前に、現在のベンダーが何を提供しているかを確認しましょう。

上のマップが、判断のすべてを縮小して示しています。右に行くほどスピードを買える代わりに、コントロールは手放すことになり、その対価は分単価か契約で支払います。左に行くとエンジニアリングの工数がかかりますが、来四半期にはモデルを誰にも断らず変更できます。

それでも迷うときは、下の3つの質問に答えてみてください。

次の落とし穴はテレフォニーです。音声エージェントは、どこかで必ず電話番号につなぐ必要があり、選択肢はサービスごとに違います。Vapiでは、Twilio、Vonage、Telnyxの番号を持ち込めます。料金ページには、Twilioがインバウンド1分$0.008、Vonageもほぼ同じ、Telnyxが$0.0055と記載されています(Vapi pricing)。LiveKitは米国のローカル番号が1つ無料で付き、インバウンドは1分$0.01です。すでにSIPトランクやコンタクトセンター基盤がある会社は、ほかを見る前に、エージェントがそこに接続できるかを確認してください。

料金モデルも重要です。分単価は長くておしゃべりな通話に不利で、通話単位や成果単位の課金は件数の多さに不利です。短い通話が多いサポート窓口と、長い通話が多い督促窓口では、同じ料金表から正反対の結論が出ることもあります。

契約する前に、最終候補のそれぞれに同じ難しい5つの通話を試してください。割り込む発信者、強い訛り、エージェントが答えられない依頼、人間への転送、途中で切れる通話です。レイテンシは平均ではなく90パーセンタイルで聞きましょう。Hammingの数字を見れば、中央値から裾野までどれほど離れているかが分かります。

そのうえで、ルールも確認してください。米国では、FCCが2024年に、AI生成の音声はTCPA上「人工的」なものにあたると判断したため、AIによるアウトバウンド通話には相手の事前同意が必要です(McDermott Will & Emery)。多くの州では録音に全当事者の同意も求められるので、通話の冒頭で告知しましょう。クローンした音声を使う場合は、話者本人の同意が必要で、その記録方法は現地の法律によって異なります。これらは弁護士への相談の代わりにはなりません。

ToolRankについて

ToolRankはToolPotionが独自に運営するランキングエンジンで、順位は買えません。この記事のランキングを含むすべてのボードは、全リーダーボードの一部です。カテゴリ全体はAI音声エージェントのディレクトリで見られるほか、最新の音声エージェントトップ150のリストもご覧いただけます。

注目の新興・新顔

トップ25のすぐ外では、28位のPlivo AI Agentsが、コミュニケーションAPI企業から登場し、ノーコードビルダーを売りにしています。27位のWiziは大量処理のエンタープライズ業務を狙い、31位のPhonely AIは小規模事業者向けの電話応対製品です。33位のReplicantは、その会社の最優秀オペレーターをモデルにしたカスタマーサービス自動化を提供しています。

静かに進んでいるトレンドが、業界特化型です。NumaとTomaは自動車ディーラー向け、ConverseNowはレストランの注文受付を担います。ひとつの種類の通話に絞って鍛えたツールは、その通話に限れば汎用プラットフォームを上回ることがよくあります。

音声が大きなプロジェクトの一部なら、次のボードも重なります:カスタマーサポート担当向けAIツール、チャットボットビルダー、営業通話の分析、AIエージェントビルダー。

よくある質問

2026年で最高のAI音声エージェントは?

2026年のランキングではElevenLabsが1位で、ToolRankスコアは80です。開発者なら、まずVapiが定番です。エンタープライズではSierraとBlandが先行しています。最適なものは、誰が運用するかで決まります。

AI音声エージェントは1分あたりいくらかかりますか?

公開されているプラットフォーム料金は、約1セント(LiveKitのセッション)から14セント(Bland Start)までです。音声認識、言語モデル、電話回線の費用を足すと、実際の金額はもっと上がります。Retellの通話全体の見出し価格は$0.07〜$0.31です。

セットアップに開発者は必要ですか?

Vapi、Retell、LiveKitは、少なくとも最初の構築には必要です。Voiceflow、Synthflow、Quoは、エンジニアでなくても設定できるように作られていて、BlandとSierraはセットアップの大半を代行してくれます。

AI音声エージェントの応答は、どれくらい速くあるべきですか?

発信者の発話が終わってから、約800ミリ秒未満です。1,000万分を超える本番通話での中央値は1.4〜1.7秒なので、速いエージェントは際立ちます。

AI音声エージェントを電話で使うのは合法ですか?

多くの場合は合法ですが、条件があります。米国では、アウトバウンド通話でのAI生成音声にTCPAに基づく事前同意が必要で、多くの州では録音に全員の同意が求められます。ほかの国や地域ではルールが異なるので、現地の法律を確認してください。

AI音声エージェントは通話を人間に引き継げますか?

はい。引き継ぎ機能は必ず確認してください。DialpadはAIから人間へのハンドオフを中核機能としており、Blandは転送時間を別料金にしているので、通話フローの普通の一部になっています。