Convai(コンバイ)は、3Dのキャラクターに会話能力を与えるプラットフォームで、ゲーム内のNPC、施設の案内役、研修の相手役を作れます。65以上の言語と500以上の音声に対応し、料金は2026年11月22日の確認では公開されておらず、問い合わせ型の体系です。本稿は実機テストを行っていないため、すべて公開情報ベースの整理であり、日本語音声の品質は未検証です。カメラやキャラクター自身の目を使った知覚、リップシンクと表情アニメーション、長期記憶など、キャラクターを「生き物」に近づける装備が揃っているのが大きな特色と読めます。
この記事の結論
- 3Dのキャラクター(NPC・案内役・研修相手)に会話能力を与えるプラットフォームである
- 多様な知覚(カメラ・キャラクター自身の目)、65以上の言語、500以上の音声、リップシンクと表情アニメーション、長期記憶を備える
- 用途は展示会・店舗のキオスク、ソフトスキル研修(Evaluation API で評価)、3Dシミュレーションの対話エージェント、バーチャルツアー、CAD研修(Assembly Studio は早期アクセス)など
- SDKは Unity・Unreal Engine・NVIDIA Omniverse 拡張・Web(React / TypeScript / three.js)・コア API。配備はクラウド/プライベート/エアギャップ
- 料金は公開されておらず問い合わせ型。金額は公式サイトで確認するしかない(2026年11月22日確認)
- SOC 2 と ISO 27001 を保有しており、企業での導入審査に耐える装備を公式に掲げている
Convai とは何を作れるプラットフォームか
ゲームの世界を歩いていると、画面の向こうの住人と話したくなります。Convai は、この「3Dの住人と実際に会話できる」体験を作るための道具です。公式サイトの説明によれば、NPC、案内役、研修相手という3種のキャラクターに会話能力を与えるプラットフォームであり、単なるテキストチャットではなく、声での応答、リップシンク、表情アニメーションまで含めて動かせます。キャラクターの見た目は既存の3Dモデルを使い、頭脳と声と表情をこのプラットフォームが担う、という分業の設計です。
装備の幅を公式情報から並べると、多様な知覚(カメラ・キャラクター自身の目)、65以上の言語、500以上の音声、リップシンクと表情アニメーション、アニメーションライブラリ、長期記憶、MCP(OAuth)、Active Directory 連携、ワークスペースが並びます。注目すべきは知覚の部分です。キャラクターがカメラ映像を見て周囲を理解し、キャラクター自身の目で「今何を見ているか」を会話に反映できる、と公式は説明しています。これは文字入力だけで動くチャットボットとは別物の体験で、展示場の案内役が来場者の視線の先の展示物を説明する、といった実装につながります。
NPC・案内役・研修相手という3つの用途
公式が掲げる3用途は、実は要求水準がそれぞれ異なります。NPCはゲームの没入感のための用途で、応答の速さと世界観の整合が命です。案内役は展示会や店舗のキオスクで、ブラウザで動くアバターとして配され、正確さと接客の安定が求められます。研修相手は最も要求が厳しく、人の振る舞いを模倣し、受講者の応答を評価し、結果を数値で返す必要があります。Convai はこの3つを1つの基盤で担う構えであり、Evaluation API による評価の仕組みが研修用途の裏付けとして用意されています。
技術的な位置づけも整理しておきます。基盤となる3D空間は Unity や Unreal Engine、NVIDIA Omniverse で作り、キャラクターの会話頭脳を Convai が供給する、という役割分担です。つまり Convai 単体では完成品の世界は作れず、既存の3D開発の流れに組み込んで使う道具です。この性質は選定の際に重要で、3D開発の経験がないチームには導入の壁が高く、すでに Unity や Unreal で作れる人員がいる組織ほど相性が良くなります。
本稿の前提を明示します。実機での動作確認は行っておらず、本稿の内容はすべて公開情報ベースの整理です。応答の遅延の実感、日本語音声の品質、開発の学習コストは未検証であり、最終判断は公式のデモと自社環境での試作に委ねるべきです。特に会話型の製品は、待ち時間の体感が導入の成否を分けることが多く、この部分は文章では伝わりません。
Convai の料金は結局いくらか
金額は書けません。2026年11月22日に公式サイトを確認したかぎり、料金は公開されておらず、問い合わせ型の体系です。金額の確定は公式への問い合わせで行うしかありません。この種のエンタープライズ寄りの製品では、利用量(会話の回数・音声の量)で費用が動く従量型の体系が採られることが多いですが、Convai の実際の体系は公開情報では確定できません。問い合わせの前に、確認すべき項目を表にまとめておきます。
| 確認すべき項目 | なぜ重要か |
|---|---|
| 課金の単位(会話回数・音声量・席数のどれか) | 会話のたびに推論コストが発生する製品であり、課金単位で総費用の形が大きく変わる |
| 配備形態(クラウド/プライベート/エアギャップ)ごとの費用差 | プライベートやエアギャップは別見積もりになる可能性が高い |
| 開発用の無料枠の有無と範囲 | 試作の段階でどこまで無料で回せるかが開発計画に効く |
| 日本語音声の追加費用の有無 | 500以上の音声のうち日本語の扱いと費用を確認する |
| サポートとSLAの内容 | 展示会など本番運用では応答の安定性に賠償級の要求が出る |
問い合わせ型の料金を前にした予算の組み方
問い合わせ型の料金に直面したとき、現実的な進め方は試作で消費量を測ることです。会話型の製品の費用は、1回の会話あたりの推論コストと遅延に支配されると公式情報も注意を促しています。つまり、月の会話回数を先に見積もれば、費用の形が見えてきます。展示会のキオスクなら来場者数×体験時間、研修なら受講者数×セッション数、ゲームならプレイヤーの行動率。この試算を問い合わせの前に作っておくと、見積もりの比較が早くなります。
もうひとつの注意は、費用の総額に3D開発側の人件費が乗ることです。Convai は会話の頭脳であり、キャラクターのモデル、アニメーション、シーンの構築は別の作業です。すでに3D資産がある組織なら追加費用は小さく、ゼロから作るなら開発費が導入費の主役になります。料金の問い合わせだけでなく、自社の3D開発リソースの棚卸しを先に済ませておくのが、予算を粗く組まないための準備です。
費用対効果の評価軸も決めておきましょう。案内役の用途なら「案内人員の削減」ではなく「来場者の体験時間の伸び」や「問い合わせの取りこぼしの減少」が適切な軸です。研修の用途なら「研修講師の工数の削減」と「評価の記録が残ることの価値」です。ゲームのNPCなら、売上に直結させず、作品の完成度への寄与で評価するしかありません。用途ごとに評価軸が違うため、1つの製品として一括で費用対効果を語るのは危険です。
Convai で何が作れるか:6つの活用場面
公式が示す活用場面を整理すると、6種にまとまります。展示会・店舗のキオスク(ブラウザで動くアバター)、ソフトスキル研修(Evaluation API で評価)、3Dシミュレーション内の対話エージェント、バーチャルツアーの案内、CADモデルを使う研修(Assembly Studio は早期アクセス)、Vision Assistant(ベータ)です。同じ基盤でこの6つが語られているのは、会話・知覚・記憶という部品の組み合わせで用途が作れる、という設計思想の表れと読めます。用途ごとの読み解きを表にします。
| 活用場面 | 使い方の骨格 | 成熟度(公式表示) |
|---|---|---|
| 展示会・店舗のキオスク | ブラウザで動くアバターが来場者に対応する | 公式の用途として案内 |
| ソフトスキル研修 | 受講者がAIの人物と役割演技をし、Evaluation API で評価される | 公式の用途として案内 |
| 3Dシミュレーションの対話エージェント | Unity・Unreal などの空間内でNPCが会話する | 公式の用途として案内 |
| バーチャルツアーの案内 | 案内役が空間を移動しながら説明する | 公式の用途として案内 |
| CADモデルの研修 | Assembly Studio で機材の組立手順を対話で学ぶ | 早期アクセス |
| Vision Assistant | カメラ映像を理解して支援する | ベータ |
Evaluation API で研修を評価する仕組み
ソフトスキル研修の用途が特に面白いと考えます。接客訓練、面接練習、クレーム対応の訓練は、本物の人間相手では機会が限られ、練習相手の確保が常に難題です。AIの人物相手なら練習回数に上限がなく、Evaluation API が応答を評価して数値で返すため、研修の記録が残ります。テキストベースで練習相手を作るなら ChatGPT でも可能ですが、3Dの人物が声と表情で応答する体験は、この種のプラットフォームでしか作れないと考えます。人事の立場では「誰がどの訓練を何回やって、どんな評価を受けたか」を追えることが、従来のロールプレイングにはなかった価値です。ただし評価の精度と公平性は未検証であり、人を評価する用途であるぶん、運用の設計に慎重さが要ります。
Assembly Studio は早期アクセスであることの意味
CADモデルを使う研修は、製造業にとって魅力的な用途です。機材の組立手順を、実際の模型の前で対話しながら学べる構想は、研修資料の作成コストを下げる可能性を持ちます。ただし Assembly Studio は早期アクセスの段階です。早期アクセスは機能が変わる前提の段階であり、本番の研修体系に組み込む判断は時期尚早と考えるべきです。CADの取り込み方が変わる、評価の基準が変わる、といった可能性を織り込んで、様子を見ながら試験運用するのが安全な進め方です。
6つの用途を横断して読み取れる注意もあります。会話のたびに推論コストと遅延が発生する、という公式の注意は、どの用途にも共通して効きます。常時動くキオスクでは費用が積み上がりやすく、研修ではセッション数がそのまま費用になります。遅延は体験の質に直結するため、ネットワーク環境まで含めた試作が必須です。また、社内資料をキャラクターの知識源にする場合は権限設計が要る、と公式は述べています。誰がどの知識にアクセスできるかを決めずに導入すると、情報漏れのリスクが生じます。これらの注意は公開情報の範囲でも明確であり、導入計画に織り込むべき部分です。
SDK と配備形態をどう選ぶか
SDKの選択肢は、Unity、Unreal Engine、NVIDIA Omniverse 拡張、Web(React / TypeScript / three.js)、コア API の5系統です。配備形態はクラウド/プライベート/エアギャップの3種で、SOC 2 と ISO 27001 を保有しています。セキュリティ認証と配備の柔軟さは、企業の情報システム部門との話し合いで強い材料になります。特にエアギャップ(外部ネットワークに接しない環境)での配備が選べることは、製造業や防衛関連、医療など閉域環境が前提の組織では、採用可否を分ける要素です。SDKと配備の対応を表に整理します。
| SDK / 形態 | 向いている場面 | 備考 |
|---|---|---|
| Unity | ゲームやXRコンテンツの開発 | モバイル〜PC・VR まで幅広い配信先 |
| Unreal Engine | 高品質な映像表現が必要な作品やシミュレーション | リアルなキャラクター表現と相性が良い |
| NVIDIA Omniverse 拡張 | 産業向けシミュレーションやデジタルツイン | 基盤として Omniverse を使う構成 |
| Web(React / TypeScript / three.js) | ブラウザで動くキオスクや案内アバター | 展示会・店舗の配備で主力になる |
| コア API | 自前のエンジンや独自環境への組み込み | 開発の自由度が最も高い |
| クラウド配備 | 標準的な導入 | 最も手早く始められる |
| プライベート配備 | 社内ポリシーで外部クラウドを避ける組織 | 費用の見積もりが必要 |
| エアギャップ配備 | 閉域環境が前提の組織 | 推論基盤の調整を含む検討が必要 |
エアギャップ配備が意味するもの
エアギャップ配備の選択肢があることは、この製品が「会話の頭脳をどこで動かすか」を顧客側に選ばせている、ということを意味します。会話の推論は本来クラウドの大規模モデルで行うのが自然ですが、閉域環境では推論基盤を手元に置く必要があります。これは導入の手間が一段増えることを意味する一方、社外に出せない情報を知識源にする運用を可能にします。研修の知識源に社内規程を使う、製品の設計情報を案内役に教える、といった用途では、この配備の選択肢が導入の可否を決めます。公式に SOC 2 と ISO 27001 が掲げられていることも、この方向性と整合しています。
Web SDK(React / TypeScript / three.js)の存在は、実務的な意味が大きいと考えます。展示会や店舗のキオスクは、ブラウザで動くアバターとして案内されており、専用端末の調達やアプリの配布なしに、タブレットとブラウザだけで配備できる可能性があります。キオスク用途なら、3D開発の専任がいなくても、Webの開発経験を持つ人員で試作を組み上げられるでしょう。導入の壁の高さはSDKの選択でかなり変わるため、用途に合うSDKを先に決めるのが計画の土台になります。
開発の流れを概括すると、キャラクターの人格と知識を設定し、SDKで3D空間に組み込み、会話の応答とアニメーションを調整し、知識源と権限を整える、という順になります。長期記憶の機能は、来場者や受講者との過去のやり取りを覚えておく能力で、案内役が「さっき聞いた質問」に基づいて応答を変える体験を作れます。ただし記憶の設計はプライバシーの問題と隣り合うため、何を記憶し、いつ消すかの規程を先に決めておくべきです。公開情報の範囲では、記憶の保持期間の制御方法までは確認できません。
Inworld や HeyGen と何が違うか
比較候補は、Inworld(一般名)、NVIDIA Omniverse(基盤)、HeyGen(アバター動画)の3方向です。Inworld は3Dキャラの会話基盤として直接の競合に位置づけられ、NVIDIA Omniverse は会話ではなく3Dの基盤側、HeyGen は会話ではなくアバター動画の生成側です。用途の線引きが明確になるよう、表で整理します。
| 選択肢 | 担う部分 | Convai との違い |
|---|---|---|
| Convai | 3Dキャラへの会話・知覚・記憶の付与 | — |
| Inworld(一般名) | 3Dキャラへの会話の付与 | 直接の競合。日本語対応や費用の前提は公式確認が必要 |
| NVIDIA Omniverse(基盤) | 3Dの協働・シミュレーションの基盤 | 会話の頭脳ではなく空間の基盤。Convai は拡張として組み合わさる |
| HeyGen(アバター動画) | アバターが話す動画の生成 | 対話式の会話ではなく一方通行の動画。用途が違う |
アバター動画系との用途の線引き
混同されやすいのが、HeyGen や Synthesia、D-ID のようなアバター動画生成ツールとの線引きです。これらは「アバターが話す動画を作る」道具であり、視聴者が見る一方通行の納品物が成果物です。一方 Convai は、視聴者(来場者・受講者・プレイヤー)がその場で話しかけ、その場で応答が返る対話型の体験を作る道具です。研修の動画を作りたいなら動画系、研修の相手役を作りたいなら会話系。この線を先に引いておけば、選定の迷いは大きく減ります。
Inworld(一般名)との比較は、より実質的な検討になります。どちらも3Dキャラへの会話付与を担うため、差は言語対応、SDKの幅、配備形態、費用の体系に現れると考えられます。Convai が公式に掲げる65以上の言語、500以上の音声、エアギャップ配備までの対応、SOC 2・ISO 27001 は、企業導入を意識した装備の並びです。ただし日本語音声の品質は未検証であり、日本語運用の予定があるなら、この部分の比較試験が優先されます。なお、音声の品質そのものの詳細は公開情報では確定できないため、ElevenLabs のような音声合成専門の道具と組み合わせる構成も比較候補に挙げられますが、この組み合わせの可否は公式確認が必要です。
比較の進め方の提案です。会話型の製品は「応答までの待ち時間」と「応答の自然さ」の2つが体験の質を決めますが、どちらも公開情報では読み取れません。したがって、比較は必ず同一のシナリオ(同じ質問を同じ順で聞く)で行い、待ち時間を計測し、応答の録音を残す、という手順で統一すべきです。手順が統一されていない比較は、印象論の応酬で終わります。また、長期記憶の効き方も比較項目に加えると、案内役・研修相手の用途での差が見えやすくなります。
公開情報から読み取れる強みと注意すべき部分
- 会話・知覚(カメラ・キャラクター自身の目)・長期記憶・リップシンクと表情まで、キャラクター化に必要な装備を1基盤で揃えている
- 65以上の言語と500以上の音声という対応幅を公式に掲げている
- SDKが Unity・Unreal Engine・NVIDIA Omniverse・Web(React / TypeScript / three.js)・コア API と幅広い
- クラウド/プライベート/エアギャップの配備形態を選べるため、閉域環境が前提の組織も候補になりうる
- SOC 2 と ISO 27001 を保有しており、企業の導入審査に必要な証明を公式に示している
- Evaluation API による研修の評価のように、用途ごとの仕組みが用意されている
- 料金が公開されておらず問い合わせ型であり、費用の事前見積もりに手間がかかる
- 会話のたびに推論コストと遅延が発生するという性質を公式が明示しており、常時稼働の用途では費用と体験の管理が課題になる
- 日本語音声の品質は未検証で、日本語での配備を予定するなら試験が必須になる
- Assembly Studio は早期アクセス、Vision Assistant はベータであり、新しめの機能は仕様が変わる前提で扱う必要がある
- 3D開発の経験がないチームには導入の壁が高く、Web SDK 以外では専任の人員が前提になる
実機テストをしていない前提のうえで、公式情報から読み取れる強みと、注意して読むべき部分を整理します。ここは実測の感想ではなく、公開情報の読み解きです。強みは装備の幅と企業向けの配慮に、注意部分は費用と遅延と日本語に集まります。両方を対にして読むことで、導入計画の形が見えてきます。
強みの核は、会話・知覚・記憶・表現の4要素を1つの基盤に揃えた構成です。カメラとキャラクター自身の目による知覚は、チャットボットとは別の体験を作る装備であり、キオスクやシミュレーションの用途で差別化になると考えられます。カメラ映像の理解そのものは Gemini のようなマルチモーダルモデルでも可能になりつつありますが、3D空間に組み込まれたキャラクターの振る舞いまで引き受けるかどうかに差があると読みます。また、SOC 2 と ISO 27001、Active Directory 連携、ワークスペース、エアギャップまでの配備という並びは、企業の導入審査を通るための装備として整理されており、情報システム部門との協議が進めやすいと読めます。
注意部分の核は、会話のたびに推論コストと遅延が発生する、という公式自身の注意です。これは構造上避けられない性質であり、常時稼働の用途では費用の見積もりが最重要になります。日本語音声の品質は未検証であり、日本語での配備を予定するなら試験が必須です。さらに、社内資料を知識源にする場合の権限設計は、導入前の作業として必ず発生します。これらは公開情報の範囲でも明示されている注意であり、軽視すべきではありません。
向いている人・向いていない人
締めとして、公開情報から判断できる向き不向きを表にします。実際の使い心地を含まない、要件ベースの整理です。
| 向いている人 | 理由 |
|---|---|
| Unity・Unreal で作品を作るゲーム・XR開発者 | 既存の開発の流れに会話の頭脳を組み込める |
| ソフトスキル研修の教材を作る企業の人事 | Evaluation API で練習と評価の記録を残せる |
| 展示施設・商業施設の企画担当 | ブラウザで動くアバターでキオスクを構成できる |
| 閉域環境が前提の製造業・医療などの情報システム部門 | エアギャップ配備と SOC 2・ISO 27001 が協議の材料になる |
| 向いていない人 | 理由 |
| アバターが話す動画を作りたい人 | 会話ではなく動画の生成が目的なら HeyGen などの動画系が適する |
| 3D開発のリソースを持たない小規模チーム | キャラクターと空間の作成は別途必要で、導入費の主役が開発費になる |
| 料金を先に確定させて予算承認を取る必要がある組織 | 問い合わせ型のため、承認資料の作成前に見積もり依頼が必須になる |
| 日本語の応答品質を最優先する運用 | 日本語音声の品質は未検証であり、試験結果次第では他製品との比較が先になる |
選定の進め方はこうなります。用途を1つに絞る(キオスク・研修・ゲームのどれか)→ SDKを用途に合わせて決める → 無料枠の有無を問い合わせで確認する → 同一シナリオでの試作を作り、待ち時間と応答を記録する → 月の会話回数を測り、見積もり依頼に出す。会話型の製品は、計画段階での測定が導入後の後悔を最も減らす分野です。印象だけで導入を決めると、遅延と費用の両方で計画が崩れやすくなります。
最終判断で重く置くべきは、日本語での運用予定の有無です。英語や複数言語中心の用途なら、公式に掲げられた装備の幅は強い材料になります。日本語中心の用途なら、音声の品質と応答の自然さの試験が先決であり、この結果が良くなければ導入は見送る判断も必要です。また、知識源に社内資料を使う予定があるなら、権限設計の作業を導入計画の最初に置いておくべきです。これは後回しにすると、導入後の運用設計全体がやり直しになる部分だからです。
なお、公開情報の範囲で確認できていない事項が残ります。具体的には、無料枠の有無と範囲、知識源の登録方法と容量、長期記憶の保持期間の制御、日本語音声の声質の選択肢、待ち時間の実測値です。これらは問い合わせと試作で埋める必要があります。問い合わせの際は、用途と月の会話回数の試算を添えると、見積もりも回答も具体性が上がります。
よくある質問(FAQ)
Q. 無料枠だけで展示会のキオスク試作を回せるか?
A. 公開情報の範囲では、無料枠の有無と範囲が確認できません。料金は問い合わせ型のため、開発用の試用環境の有無を問い合わせで確認するのが先決です。Web SDK(React / TypeScript / three.js)なら、ブラウザで動く試作を組み上げやすく、試作の工数を抑えられると考えられます。試作の段階で会話回数を測っておくと、本番の見積もり比較が早くなります。
Q. 料金はいくらなのか?
A. 2026年11月22日の確認では、料金は公開されておらず、問い合わせ型の体系です。金額は公式サイトで確認するしかありません。会話のたびに推論コストが発生する製品であるため、問い合わせの際に月の会話回数の試算を添えると、見積もりの精度が上がると考えられます。配備形態(クラウド/プライベート/エアギャップ)でも費用が変わる可能性があります。
Q. 日本語のキャラクター音声は使えるか?
A. 65以上の言語と500以上の音声への対応は公式に掲げられていますが、日本語音声の品質は本稿では未検証です。声質の選択肢、発音の自然さ、待ち時間の含めた体感は、公式のデモと自社環境での試作で確認すべき部分です。日本語での配備を予定するなら、この試験が導入判断の最優先項目になります。
Q. HeyGen と何が違うのか?
A. HeyGen はアバターが話す動画を生成する道具で、成果物は視聴者が見る一方通行の動画です。Convai は来場者や受講者がその場で話しかけ、応答が返る対話型の体験を作る道具です。研修の教材動画を作りたいなら動画系、研修の練習相手を作りたいなら会話系、という線引きで選ぶと迷いが減ります。
Q. 社内規程をキャラクターに教えてもよいか?
A. 公式は、社内資料を知識源にする場合は権限設計が要ると述べています。誰がどの知識にアクセスできるかを決めずに導入すると、意図しない情報の開示が起こる可能性があります。知識源の範囲、アクセス権の設計、記憶の保持と消去の規程を、導入計画の最初に整えるべきです。エアギャップ配備の選択肢があることは、閉域での運用に備えた装備と読めます。
Q. 3D開発の経験がないチームでも導入できるか?
A. 用途によって分かれます。ブラウザで動くキオスクなら、Web SDK(React / TypeScript / three.js)でWeb開発の経験を持つ人員が試作を作れる可能性があります。一方、ゲームやシミュレーション用途では、Unity や Unreal Engine の開発力が前提になり、キャラクターのモデルと空間の作成は別途必要です。導入費の主役が3D開発の人件費になることを、予算計画に織り込んでください。
まとめ
Convai は、3Dのキャラクターに会話・知覚・記憶を与えるプラットフォームです。65以上の言語、500以上の音声、カメラとキャラクター自身の目による知覚、リップシンクと表情アニメーション、長期記憶という装備の幅と、Unity・Unreal Engine・NVIDIA Omniverse・Web・コア API というSDKの幅が、公開情報で確定できる強みです。配備はクラウド/プライベート/エアギャップから選べ、SOC 2 と ISO 27001 を保有しています。料金は2026年11月22日の確認では公開されておらず、問い合わせ型です。
導入判断の中心は3つです。会話のたびに発生する推論コストと遅延の管理、日本語音声の品質の試験、知識源に社内資料を使う場合の権限設計。この3つは公式自身が注意を促している部分か、公開情報では確定できない部分であり、試作と問い合わせで確定させます。ゲーム・XR開発者、研修教材を作る人事、展示施設の企画担当にとって、装備の幅は十分に強い材料です。ただし料金が見えないまま計画を進めないため、月の会話回数の試算を持って問い合わせに臨むのが、賢い順序だと考えます。
出典:Convai 公式サイト「Home」(2026年11月22日閲覧)
最新のAI情報をメールで受け取る
新着のAIツール比較・ランキング・ニュースを、まとめてお届けします。
ご登録後、確認メールをお送りします。配信停止はいつでも可能です。
