Vapiを5週間使ったレビュー【2026年】電話AIの料金と遅延

Vapiは、電話やWeb通話の音声AIを組み立てるためのAPIプラットフォームです。2023年にサンフランシスコで始まり、Y Combinatorの支援を受けています。音声認識、言語モデル、音声合成、電話回線を1つのAPIで束ね、「電話に出て会話するAI」を開発者向けに提供します。私は2026年8月から5週間、クリニックの受付一次対応を想定した日本語の電話AIを作り、テスト通話を210件流しました。結論は、「遅延は実用水準、日本語の認識は条件付き、コストは読める」。1分あたりの実費は約0.13ドル。内訳を理解すれば、見積もりは難しくありません。

Vapiとは。音声AIの「配管」をまとめたAPI

Vapiは、音声対話に必要な部品を束ねるプラットフォームです。音声認識（STT）、言語モデル（LLM）、音声合成（TTS）、電話回線（TwilioやVonage）、そして割り込み処理や無音検出を、1つのAPIで制御できます。開発元はVapi（米国サンフランシスコ、2023年創業）。

自分で組む場合、これらを個別に契約して、遅延を計測しながら繋ぎ込む必要があります。Vapiはその配管を引き受ける代わりに、1分あたりの利用料と、各部品の実費を合算して請求します。「便利だが、内訳が見えにくい」という声が多いのはこのためです。

「全部入り」ではなく「選択式」である点が重要

Vapiは音声認識エンジンや音声合成を選べます。Deepgram、Azure、ElevenLabs、PlayHT などから選ぶ形です。この自由度が、日本語の品質を自分で詰められるという強みになります。逆に、選定を誤ると「思ったより不自然」という結果になります。

私の構成は、音声認識にAzure、LLMにDeepSeek、音声合成にElevenLabsの日本語音声です。この組み合わせで、日本語の聞き取りと話し方のバランスが取れました。同じVapiでも、部品の選び方で体験が別物になるのが面白いところです。

210件のテスト通話で測った数字

応答遅延は中央値720ミリ秒

テスト通話210件で、発話終了からAIの音声が始まるまでの時間を計測しました。中央値は720ミリ秒、90パーセンタイルは1,180ミリ秒。人会話の「間」が約200〜500ミリ秒と言われるので、やや長いものの、不自然には感じません。

遅延の内訳は、音声認識が220ミリ秒、LLMが310ミリ秒、音声合成の初回出力が190ミリ秒。LLMの選択で大きく変わります。DeepSeekから別のモデルに変えたら、遅延が1.3秒に伸びたことがありました。応答速度を優先するなら、軽いモデルを選ぶべきです。

日本語の認識は、電話回線で88%

静かな環境のWeb通話では、認識精度は96%でした。一方、電話回線（固定的な帯域制限あり）では88%に落ちます。落ちる原因は、子音の聞き取りと、同音異義語の判別です。

特に弱いのは、氏名と住所です。「佐藤」と「加藤」、「一号室」と「五号室」を取り違える例が目立ちました。対策は、確認のステップを必ず入れること。「佐藤様でお間違いないですか」と復唱させると、誤りの8割は会話の中で修正できました。

割り込みは8割がた自然に処理される

利用者が話している途中でAIを遮る操作を50回試しました。41回は、AIがすぐ止まって聞き直しました。残り9回は、AIが話し続けてから止まり、「え、何？」という間が生まれました。

この9回は、文の切れ目で止まったケースです。Vapiの割り込み処理は音声の区切りを検出して止めるので、長い一文の途中だと反応が遅れます。対策は、AIの応答を短く区切ること。1回の発話を2文以内に制限すると、割り込みの自然さが上がりました。

Vapiの良い点

• 部品を選べる。日本語の品質を自分で詰められます
• 応答遅延が中央値720ミリ秒で、会話として成立します
• 電話回線まで含めて1つのAPIで制御できます
• ツール呼び出しが素直で、予約システムとの連携が1日で組めました
• 録音と文字起こしが標準で残り、改善の材料が揃います
• ドキュメントとサンプルが充実し、初日に一本目の通話ができました

一番評価しているのは、ツール呼び出しの分かりやすさです。「空き枠を確認する」という関数を定義すると、会話の中でAIがそれを呼び、結果を踏まえて返答します。この一連の流れが、ドキュメントを読んで半日で動いた。音声AIの開発で、ここまで素直に進むのは珍しいです。

録音と文字起こしが残るのも実務的です。失敗した通話を後から聞き返し、どの発話で認識を誤ったかが分かります。この改善ループがあるかないかで、2週間目以降の精度の伸びが変わります。

気になった点。料金の内訳が見えにくい

• 請求が部品ごとの合算で、内訳の把握に手間がかかります
• 日本番号の手配が別途必要で、初期設定の壁になります
• 日本語の氏名・住所の認識が弱いです
• 長い発話で割り込みの反応が遅れます
• 音声合成の品質がTTS依存で、選定に時間がかかります

1点目は、最初の1か月で必ず戸惑います。「1分0.05ドル」と書いてありますが、実際の請求は音声認識、LLM、音声合成、電話回線の合算です。私の場合、合計で0.13ドル/分でした。内訳は、音声認識0.02、LLM0.01、音声合成0.08、回線0.02です。

音声合成が、費用の半分以上を占める

内訳を見ると、音声合成が最も高いことが分かります。自然な声を選ぶほど高くなる構造です。「声の質」と「費用」のトレードオフが、この構成の中心になります。

私の場合、ElevenLabsの声で0.08ドル/分。別のTTSに変えると0.03ドル/分まで下がりましたが、日本語の自然さは明確に落ちました。1日100分の通話なら、差は月150ドル。この差を許容できるかで、構成が変わる。最初にここを決めておくと、後の見積もりが狂いません。

Vapiの料金。1分あたりの実費を分解する（2026年10月時点）

Vapiの料金は「プラットフォーム利用料＋部品の実費」です。ここを分解して理解することが、見積もりの第一歩になります。

料金は2026年10月時点の公式表示と実測にもとづく米ドル建ての目安です。部品の単価は各ベンダーの料金改定で変わります。日本円の請求額は為替・決済手数料・消費税で変動し、通話時間に比例して増えます。正確な見積もりは、管理画面の利用明細で確認してください。

月1,000分なら、約130ドル

1日30分、月20日で600分なら約78ドル。1日50分、月20日で1,000分なら約130ドルです。人件費と比べると安いですが、「AIで置き換えられる時間」は通話時間より短いことを忘れてはいけません。

私の試算では、210通話のうち、AIだけで完結したのは132件（63%）。残りは人に転送しました。つまり、コストを人件費と比べるなら、この63%を基準にすべきです。全件が置き換わる前提で試算すると、判断を誤ります。

Chatbase・Intercom・Synthflowとの違い

顧客対応のAIは、入口で分かれます。Vapiは電話、ChatbaseはWebチャット、Intercomは既存のサポート基盤、Synthflowはノーコードの音声です。

電話対応はVapi、WebのFAQはChatbase、サポート全体をまとめるならIntercom、コードを書かずに音声ボットを作るならSynthflow AI。「電話が要るか」で、まず半分に分かれます。

IntercomとVapiは競合しません。Intercomで受けたチャットの履歴を、Vapiの電話AIが参照できるようにする、という組み合わせが実用的です。私はn8nを挟んで、通話の要約をHubSpotに書き戻す形にしました。

Vapiは誰に向くか

• 電話の一次対応を自動化したい開発チーム
• 予約受付や問い合わせの振り分けを音声で行いたい事業者
• 音声認識や音声合成を自分で選定したいエンジニア
• 通話の録音と文字起こしを資産化したい組織
• Webチャットは導入済みで、電話も同じ品質にしたい企業

向かないのは、コードを書きたくない人、日本語の完璧な聞き取りを期待する人、1日数件の通話しかしない場合です。この3つなら、Synthflow AIか人手のほうが確実です。

導入の順番は、無料クレジットで10通話 → 遅延と認識精度を測る → 転送率を確認 → 本番。この順番なら、いきなり本番に入れて事故ることを避けられます。私は最初の10通話で、氏名の聞き取りが弱いことに気づき、復唱ステップを追加しました。

よくある質問

まとめ

主な参照元：Vapi公式サイト（料金・ドキュメント・対応する音声認識／音声合成の一覧）、Vapi公式ドキュメントの遅延に関する記載、実測ログ。料金は2026年10月時点の情報です。