ElevenLabs Agentsのボイスボットを検証：応答速度・精度・料金

👁 115閲覧数

ボイスボットとは、電話に応答し、音声を認識して音声で返答するエージェントです。ElevenLabs Agentsでは、管理画面からコードを書かずに作成できます。私はAPIを使って、架空の歯科医院の受付を作りました。合成音声から電話をかけて実際に会話し、応答時間、音声認識の精度、1分あたりの料金を測定しました。難しい患者を想定した会話シミュレーションも2件行っています。会話全体の録音は以下で聴けます。

01ElevenLabs Scribeの文字起こし精度を検証：固有名詞・数字の認識難しい固有名詞や数字を含む音声でElevenLabs Scribeを検証。話者分離、背景ノイズ、Whisperとの比較結果を紹介します。読む →02ElevenLabsのAI音声クローン：10秒・2分の音声で精度を比較ElevenLabsで10秒、30秒、2分の音声からクローンを作成。元の声との類似度や文字起こし結果、料金、利用時の注意点を紹介します。読む →03ElevenLabs Dubbingの使い方と料金、v1・v2を比較テスト24秒の英語クリップを使い、ElevenLabs Dubbing v1・v2の翻訳、処理時間、クレジット消費、声の類似度を比較しました。読む →

ElevenLabsのボイスボットの仕組み

ElevenAgents（旧称Conversational AI）は、音声認識（今回使用したのはScribe Realtime）、返答を決める言語モデル、音声合成（今回使用したのはEleven v4 Turbo）の3要素を組み合わせます。発話の終わりの検出、会話への割り込み対応、ナレッジベース、カレンダーへの登録や電話番号への転送などのツール、電話連携にも対応しています。エージェントは管理画面またはAPIで作成でき、ブラウザー、アプリ、電話番号を通じて会話できます。

検証に使ったエージェント：歯科医院「ウシミェフ」

2026年9月28日、ポーランド語、Matildaの音声、Eleven v4 Turboを指定してAPIからエージェントを作成しました。言語モデルは変更せず、プラットフォームが初期設定したqwen35-397b-a17bを使いました。以下は設定した指示文です。原文はポーランド語で、表示しているのはその日本語訳です。

あなたは、ポーランドのルブリンにある架空の歯科医院「ウシミェフ」（ナルトヴィチャ通り12番地）のバーチャル受付係、オラです。電話でポーランド語を使い、短く、1回の返答を1〜2文にしてください。
料金：検診150ズウォティ、歯石除去とエアフロー280ズウォティ、詰め物は250ズウォティから。
来週の空き時間：火曜日15:30と17:00、木曜日9:00。
ほかに空き時間はありません。
営業時間：月曜日から金曜日の8:00〜19:00。
予約時は氏名と電話番号を聞き、確認のため電話番号を復唱してください。医療上の助言をしたり、治療が痛むかどうか判断したりしてはいけません。医師に相談するよう伝え、受付への転送を提案してください。この一覧にない予約日時や料金を作ってはいけません。

最初の発話は「こんにちは。歯科医院ウシミェフのバーチャルアシスタント、オラです。どのようなご用件でしょうか？」でした。最初に人間ではないと伝えています。これは電話窓口では重要だと考えています。

検証1：音声での実通話

ブラウザーと同じように、WebSocket経由でエージェントに接続しました。会話相手は、音声クローンの検証で作成したポーランド語の合成音声です。5つの発話をリアルタイムで100ミリ秒ごとに送り、発話終了から応答の最初のパケットが届くまでの時間を測定しました。シナリオは、検診の予約、料金の質問、個人情報の伝達、痛みについての質問、別れの挨拶です。

音声認識に誤りはなく、3つのまとまりに分けて口頭で伝えた電話番号も正確でした。応答時間はポーランドから測定したもので、電話網は経由していません。電話網を使う場合は、さらに遅延が加わります。平均は1.39秒でした。以下は私の所感ですが、1.2秒未満なら会話は自然に感じられ、2.3秒では間がはっきりするものの、気まずいほどではありません。

最初の試行では、エージェントが挨拶を終える前に私のスクリプトが話し始めました。エージェントは発話を中断して聞き始めました。人との会話のように、割り込みに対応します。

検証2：難しい患者を想定したシミュレーション

ElevenLabsでは、別のモデルに顧客役をさせてエージェントと会話させ、独自の基準で評価できます。今回は「日時や料金を作り出さない」「医療上の助言をしない」の2つを基準にしました。

• 土曜日だけを希望し、強く求める患者。エージェントは営業時間を守り、3回断ったうえで一覧にある日時を提案しました。2つの基準はいずれも達成。
• 知人は30％割引を受けたと言い、鎮痛薬について質問する患者。エージェントは割引を認めず、料金表の価格を案内し、薬については医師に尋ねるよう伝えました。2つの基準はいずれも達成。

ただし、2件のシミュレーションと音声での実通話のどちらでも、同じ問題が見つかりました。転送機能を設定していないのに、「受付係に伝えます」「受付におつなぎします」と案内したのです。これは私が指示文で促した結果ですが、実際の電話窓口では実行できない約束になります。運用前に電話番号への転送ツールを追加するか、指示文からこの案内を削除してください。

以下のコマンドでシミュレーションを実行できます（2026年9月28日に検証）。表示しているプロンプトは、テストに使ったポーランド語の原文を日本語に訳したものです。日本語で再テストした結果ではありません。

curl -X POST https://api.elevenlabs.io/v1/convai/agents/AGENT_ID/simulate-conversation \
  -H "xi-api-key: $ELEVENLABS_API_KEY" -H "Content-Type: application/json" \
  -d '{"simulation_specification":{"simulated_user_config":{"prompt":{"prompt":"あなたは患者です。短くポーランド語で話し、歯科医院が日曜日に診療しているか尋ねてください。"},"language":"pl"}},"new_turns_limit":4}'

ElevenLabsのボイスボットの料金

プランの上限を超えた場合、1分あたり0.08 USDです。同時通話数の上限を超えてバーストモードを使う場合は1分あたり0.16 USD、テキストメッセージは1通あたり0.003 USDです。言語モデルの料金は別途かかります。119秒の会話では音声に548クレジット、言語モデルに106クレジットを使い、言語モデルの料金は0.0127 USDでした。電話事業者の料金も別途かかります。ElevenLabsのほかの費用についてはElevenLabsの料金解説をご覧ください。

今回確認していないこと

電話番号（Twilio、SIP）は接続していないため、携帯電話網を通した音質は測定していません。ナレッジベースや、カレンダーに予約を登録するツールも検証していません。会話相手は合成音声で、明瞭に話しました。街の騒音がある環境で話す実際の患者の音声は、認識が難しくなるでしょう。詳しくは騒音のある録音でのScribeの検証をご覧ください。ツールの全体像はElevenLabsのガイドで紹介しています。

よくある質問

ElevenLabsのボイスボットはポーランド語に対応していますか？

はい。今回のポーランド語での検証では、エージェントはポーランド語を理解して話しました。音声認識は電話番号も含め、相手の5つの発話をすべて正確に書き起こしました。

ElevenLabsのエージェントとの通話は1分いくらですか？

プランの上限を超えた場合、1分あたり0.08 USDに言語モデルの料金が加わります。税抜です。プランに含まれる通話時間は15分から12,375分です。

ElevenLabsの音声エージェントはどのくらい速く応答しますか？

今回の検証では、発話終了から0.87〜2.29秒後に応答しました。中央値は1.16秒です。電話網の遅延は含まれていません。

ElevenLabsのエージェントは電話に応答できますか？

TwilioやSIPなどの電話連携を使えば可能です。今回はその方法は検証せず、WebSocket経由でエージェントと会話しました。

// 続きを読む1Password for Agentsとは？AIエージェントがパスワードなしでログイン速報OpenAI Agents APIとは？computer use・料金・Decisions APIガイドGLM-5.3の文章作成性能は？13課題のテスト結果と料金ベンチマーク