Agora Go Real アプリやWebサイトまわりの技術、Agoraに関する記事などを綴ります。

はじめに 近年、カスタマーサポートやバーチャルアシスタントの領域において、音声対話型の AI エージェント開発が急速に活発化しています。こうしたエージェントが「人間らしい」自然な対話を実現するためには、一般的に ASR (音声認識) 、 LLM (大規模言語モデル) 、 TTS (音声合成) という複数の高度な AI コンポーネントを連続して連携させる必要があります。 Agora Conversational AI Engine は、これらコンポーネントと連携し、Agora 社の独自ネットワーク ( SD-RTN™ ) を介して、クライアントと低遅延で対話可能な AI エージェントを構築するフレームワークソリューションとして提供されています。 しかしながら、このような低遅延伝送ネットワーク上でエンドツーエンドの通信が最適化されていても、 ASR、 LLM、 TTS それぞれの性能を正しく把握して組み合わせないと、 AI エージェントの応答速度 (レイテンシ) は大きく変動します。わずかな遅延の積み重ねがユーザー体験を大きく左右するため、「どのモデルを組み合わせれば、自社のサービスにとって最適なパフォーマンスとコストのバランスが実現できるのか？」という問いに対する解を見つけることは、開発における最も重要な課題の一つと言えるでしょう。 この課題に対し、Agora 社が客観的なデータに基づいてモデル選定を支援するために公開しているのが、Conversational AI Benchmark です。本ツールは、モデルごとのパフォーマンス、品質、コストを可視化し、開発者が客観的なデータに基づいて「自社にとってのベスト」を判断するための環境を提供します。 本記事では、この Conversational AI Benchmark を活用するための主要機能とその見方を解説します。

ブラウザやアプリを介してのダイレクトに動画や音声のやり取り（リアルタイム通信技術）が急速に進化しています。 今回はこのWebRTCのサーバー構成要素（シグナリング／STUN・TURN／SFU）の役割をシンプルに整理し、代表的な構成例を紹介します。さらに、用途別の選び方と、遅延・可用性・コストを両立する運用ベストプラクティスを解説します。

インターネットによる動画配信のコア技術と言われているHLS。マルチビットレートへの対応やユーザー側の環境に依存しない配信が可能となるなど、多くのメリットを持つHTTPベースのメディアストリーミングプロトコルです。 今回は、オンデマンド配信やライブ配信を手掛けるユーザーなら知っておきたいHLSの概要や課題などについて詳しく解説いたします。

ブイキューブはAgoraの日本総代理店として、国内のエンジニアの皆さんの開発をサポートしています。日々寄せられるお問い合わせの中から、最初の1週間で特につまずきやすい3つのポイントをまとめました。いずれも事前に知っていれば回避できるものばかりです。

※この投稿は、Agora の日本総代理店であるブイキューブが、Agora ブログを翻訳した記事です。 米東部時間2025年11月18日午前 6:27 に、インターネットの約20%が影響を受け、一部がダウンしました。 Cloudflareのサーバー上で、脅威トラフィックを管理するために設計された一つの設定ファイルが、想定サイズを超えて肥大化してしまったのです。 このたった一つのファイルが連鎖反応を引き起こし、Cloudflareの最高技術責任者（CTO）であるDane Knecht氏に、こう言わしめる事態となりました。 「私たちはお客様とインターネット全体に対して責任を果たせませんでした。」 高度な攻撃でも、ハードウェア故障でも、自然災害でもありませんでした。 Cloudflareは世界のWebトラフィックの約20%を扱うとも報じられており、影響が広範囲に及び得ます。 その後 3 時間にわたり、X は読み込めず、ChatGPT は応答しなくなり、Spotify は沈黙し、Discord、League of Legends、Zerodha を含む何千ものサービスが、意味深な 500 のエラーコードを表示しました。

生成AIを活用したボイスボットや会話型エージェントの開発において、「音声」だけでなく「テキスト」を同時に画面に表示したいというニーズは非常に一般的です。聴覚情報の補助や、会話履歴の可視化は、ユーザー体験（UX）を大きく向上させます。 Agora が提供するConversational AI Engine（以下、Convo AI）は、LLMとリアルタイム音声通話技術を統合したソリューションです。本記事では、Convo AI向けに提供されているToolkitを活用し、Webクライアント上で会話の文字起こし（Live Transcript）を表示する実装方法を解説します。

この記事では、リアルタイム音声・ビデオ技術を提供する Agora Conversational AI Engine と、LLM アプリケーション開発プラットフォーム「Dify」を連携させる方法について、具体的な手順とユースケースを交えて解説します。

昨今、LLM (大規模言語モデル) を活用した AI アシスタントやチャットボットが急速に普及しています。 しかし、実用的な AI アプリケーションを構築する際、GPT や Claude のような汎用 LLM をそのまま利用するだけでは不十分なケースが増えています。 ユーザーが本当に求める AI エージェント、例えば「社内の最新マニュアルに基づいて回答する」や「現在の天気や株価を調べて応答する」といった機能を実現するには、LLM が外部の知識やツールと連携する仕組みが不可欠です。 具体的には、独自のナレッジベースと連携する RAG (Retrieval Augmented Generation) や、外部 API を呼び出す Tool Calling といった技術と組み合わせることが、今や AI エージェント開発の「当たり前」になりつつあります。 この「カスタマイズされた AI の頭脳」は、もちろんリアルタイムの「音声対話」においても重要です。 Agora が提供する Conversational AI (Convo AI) は、ASR (音声認識) や TTS (テキスト読み上げ) といった、リアルタイム音声 AI に不可欠なパイプラインをシンプルに扱うためのソリューションです。 そして、AI エージェントの「頭脳」にあたる LLM 部分に関して、Agora Convo AI は標準の LLM（例えば OpenAI の GPT）だけでなく、OpenAI Chat Completions 互換のプロトコルを介して、開発者が独自に用意した LLM サービス (Custom LLM サービス) と接続できる拡張性を備えています。 本記事では、この「Custom LLM サービス」を取り上げて、Convo AI と連携させる手順や簡単な実装例を紹介します。

アバターを使った会話エージェントは、カスタマーサポート、教育、エンターテイメントなど、多くの分野でより自然で魅力的なユーザー体験を提供します。しかし、ユーザーの発話に合わせて AI が応答を生成し、さらにアバターの口の動き（リップシンク）や表情をリアルタイムで同期させる処理は、開発者にとって大きな負担となりがちです。 この記事では、Agora Conversational AI (Convo AI) とサードパーティの AI Avatar サービスを連携させることで、この課題を解決する方法を紹介します。

カリフォルニア州サンタクララ（2025 年 12 月 1 日）– リアルタイム・エンゲージメントおよび会話型 AI の主要プラットフォームである Agora, Inc. (NASDAQ: API) は本日、東南アジアで最も急成長している AI ネイティブ・ワークプラットフォームの 1 つである Agnes AI が、新しい AI グループチャットおよびマルチエージェント・コラボレーションシステムの基盤として「Agora Chat」を採用したことを発表しました。この統合は、大規模なリアルタイム AI 強化型チームワークとマルチエージェントによる生産性向上における重要なマイルストーンとなります。 ※この投稿は、Agora の日本総代理店であるブイキューブが、Agora ブログを翻訳した記事です。