「15分で音声エージェント」は本当か？ ElevenLabs Agentsを触って見えた実力と限界

音声AIエージェントを自前で構築しようとすると、想像以上にパーツが多い。音声認識（STT）、大規模言語モデル（LLM）、音声合成（TTS）、ターンテイキング制御、電話回線の接続。それぞれ別のAPIを契約し、レイテンシを調整し、エラーハンドリングを仕込む。試作だけで数週間が飛ぶ。

ElevenLabsが提供する「ElevenLabs Agents」は、この面倒をまるごと引き受けるプラットフォームだ。ダッシュボード上でLLMと音声モデルを選び、ナレッジベースを接続し、ペルソナを設定すれば、電話・Web・アプリで動く音声エージェントが出来上がる。公式は「15〜30分で本番品質のエージェントが立つ」と謳っている。

正直なところ、この手の「ノーコードで○○」という謳い文句には食傷気味だった。だが、ElevenLabsの場合は音声合成で業界トップの品質を持つ会社が自前のTTSエンジンを統合している点で、他のプラットフォームとは出発点が違う。

何ができるのか

ElevenLabs Agentsの基本構造はシンプルだ。ダッシュボードでエージェントを新規作成し、以下の3つを設定する。

1. LLMの選択。 GPT-5、Claude 4.5 Sonnet、Gemini 2.5 Flashなど外部モデルを接続するか、ElevenLabs独自のFlashモデル（レイテンシ特化）を選ぶ。用途に応じて使い分けられる。

2. ナレッジベース。 PDFやURL、APIエンドポイントを登録すると、エージェントがRAG（検索拡張生成）で回答に使う。社内FAQや商品カタログを食わせておけば、問い合わせ対応がそのまま自動化される。

3. ペルソナとガードレール。 「あなたはレストランの予約担当です」のようなシステムプロンプトに加え、禁止トピックや会話の上限時間も設定できる。暴走防止は音声エージェントでは特に重要で、ここを細かく制御できるのはありがたい。

設定が終わったら「Test AI agent」ボタンを押すだけで、ブラウザ上でマイクを使ったテスト通話ができる。ここまでの所要時間は、慣れれば確かに15分程度だ。

Expressive Modeが変えたこと

ElevenLabs Agentsの最大の武器は、音声品質だ。

2026年に入って追加された「Expressive Mode」は、文脈に応じてトーン、間、感情を自動調整する。笑い、ささやき、ため息、適切な間。70以上の言語で自然な抑揚を再現する。従来の音声エージェントが持っていた「AIっぽさ」を大幅に削減した。

レイテンシも100ミリ秒未満。電話の会話で不自然な沈黙が生まれない水準だ。さらに、ターンテイキングモデルが「えーと」「うーん」といったフィラーを検知して、ユーザーがまだ話しているのか話し終えたのかを判定する。途中で被せてこないエージェントは、思った以上に体験が良い。

11,000以上の音声オプションが用意されており、Voice Cloningで独自の音声も作れる。ブランドの「声」をそのままエージェントに載せたい企業にとって、この選択肢の広さは決め手になりうる。

料金体系

ElevenLabs Agentsの料金は、月額プランに含まれるバンドル分数＋超過従量課金の二層構造だ。

プラン	月額	バンドル分数	超過料金/分
Starter	$5（約750円）	75分	$0.08
Creator	$22（約3,300円）	275分	$0.08
Pro	$99（約14,850円）	1,238分	$0.08
Scale	$330（約49,500円）	3,738分	$0.08
Business	$99〜/席	12,375分	要相談

エージェントの作成自体は無料。各プランにAgents専用のバンドル分数が含まれており、超過分は$0.08/分で課金される。TTS文字数クォータとは別枠で管理される点に注意。

見落としがちなのがLLMのトークンコストだ。エージェントが使うLLM（GPT-5、Claude等）のトークン消費分は別途請求される。一般的なシステムプロンプトでGPT-5を使う場合、通話1分あたり追加で$0.02〜0.05程度かかる。つまり実質コストは$0.10〜0.13/分前後が目安になる。

Pro（月約1.5万円）で1,238分のバンドルは、1日約40分の通話に相当する。小規模なカスタマーサポートなら十分だが、1日数百件の通話が走る規模だとコストは急速に膨らむ。大規模運用はBusiness以上で単価交渉する前提だろう。

Vapi・Retell AIとの違い

音声エージェントプラットフォームの市場は急速に混み合っている。主要な競合と比較すると、ElevenLabs Agentsの立ち位置が見えてくる。

Vapiは「オーケストレーションレイヤー」として設計されている。STT・LLM・TTSをすべて外部から選んで組み合わせる構造で、柔軟性は高いが設定の手間も多い。Vapiのオーケストレーション料$0.05/分に加え、各プロバイダの利用料が別途かかるため、実質コストはElevenLabsと同水準かやや高くなる場面が多い。

Retell AIは構造化されたフロービルダーが強み。複雑な分岐（「在庫確認 → 在庫あり → 注文 → 決済」のような多段階フロー）を視覚的に組めるため、エンタープライズのコンプライアンス要件が厳しい用途で選ばれている。

ElevenLabs Agentsの差別化ポイントは、なんといっても音声品質だ。TTSを自社で持っている唯一のプラットフォームであり、音の自然さで妥協する必要がない。ブランドボイスやクリエイティブ用途、消費者向けプロダクトなど「声そのものが体験の一部」になるケースでは、ElevenLabsが第一選択肢になる。

逆に、複雑なマルチステップのコールフロー管理や、大量アウトバウンドコール（Bland.aiの得意領域）が必要な場合は、現時点ではRetellやBlandの方が成熟している。

日本語で使えるのか

結論から言うと、使える。エージェント言語設定で日本語を選択すれば、音声認識と音声合成が日本語モードに切り替わる。ElevenLabsの日本語TTSは2026年時点でかなり自然で、不自然なアクセントや読み間違いは少ない。

ただし注意点がある。ダッシュボードのUIは英語のみだ。エージェントの設定やプロンプト入力は日本語で書けるが、管理画面の操作は英語に慣れている必要がある。また、日本語の音声認識精度は英語と比べるとまだ差がある。固有名詞や専門用語の認識でミスが出ることがあるため、ナレッジベースに想定される質問パターンを多めに登録しておくと精度が上がる。

どんな場面で使うか

音声エージェントの導入が現実的になったことで、いくつかの活用が見えてくる。

ECサイトの問い合わせ対応は最もわかりやすい。「注文状況を教えて」「返品したい」といった定型的な問い合わせをエージェントに任せ、複雑な案件だけ人間に回す。Tidioのようなテキストチャットボットと組み合わせれば、テキストと音声の両チャネルをAIでカバーできる。

レストランやクリニックの予約受付も相性がいい。営業時間外の電話を拾えるだけで、機会損失が減る。ElevenLabs Agentsは電話回線（Twilio経由）に直結できるため、既存の電話番号をそのまま使える。

もう少し先の話をすれば、多言語対応が面白い。70以上の言語にリアルタイムで切り替わるため、インバウンド観光客向けのホテルコンシェルジュや、多国籍チームの社内ヘルプデスクにも応用できる。言語検出が自動で走るので、利用者側の操作は不要だ。

正直な評価

ElevenLabs Agentsの最大の強みは、音声品質で妥協せずにエージェントを構築できる点にある。TTSを自社で持つ優位性は大きく、「AIと話している感」が最も薄いプラットフォームだと思う。ノーコードでの構築も確かに速い。

一方で、会話フロー管理のツールはRetell AIと比べるとまだシンプルだ。「Aと聞かれたらB、BがNGならCに分岐して...」のような複雑なロジックをビジュアルに組みたい場合は、もの足りなさを感じるかもしれない。もっとも、この差は急速に縮まっている。

あと率直に言うと、日本法人が設立されたとはいえ、日本語のドキュメントやサポートはまだ薄い。英語のドキュメントを読むことに抵抗がない人向け、というのが現時点の正直な印象だ。

音声の品質を最優先にしたいプロジェクトなら、ElevenLabs Agents一択。複雑なコールフロー制御が要件の中心なら、Retell AIも検討する価値がある。