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。

※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。 スマートフォンを用いたテストにおいて、GPT-Live は割り込み時の沈黙までに 500 ミリ秒の遅延が見られたものの、旧世代モードで誤反応を招いていた背景音声（雑音）には反応しなくなり、前世代で 2.4 秒 かかっていたパケットロスへの対応を 314 ミリ秒の遅延に抑えました。 Agora Media Lab · 2026年7月10日 ※測定方法と制限については末尾に記載しています。 OpenAI は 7 月 8 日、「自然な」会話体験を実現する AI 音声機能として GPT-Live を発表しました。話しながら相手の声を聞き取り、ユーザーが考えている間は待ち、難しい質問については会話を止めることなくバックグラウンドの別モデルに処理を委ねるというものです。しかし発表内容には、実機でその「自然さ」がどの程度の数値に相当するのかというエンドツーエンドの計測データは含まれていませんでした。 そこで Agora のラボチームは、日々のテストで用いているのと同じ手法を使い、最新の ChatGPT アプリを検証しました。実機での動作確認に加え、再現性のある発話をする装置から入力し、ネットワーク障害を意図的に発生させ、すべての数値を 2 トラックの波形録音から読み取るという本格的なプロトコルです。対象としたのは、ChatGPT の音声インターフェースの 3 世代です。 GPT-Live-1：新しい全二重モード。電話のように、話しながら相手の声も聞き取れます。 Advanced Voice Mode：前世代のモード。音声から音声へ直接変換する単一モデルですが、厳密なターン制で、ユーザーが話し終えるのを待ってから応答します。 Standard Voice Mode：最初期の仕組み。発話を文字に起こし、テキストで返答を生成し、それを読み上げるという、1 ターンあたり 3 段階の処理を経ます。 私たちが把握している限り、これはユーザーが実際に体験する形（モデル・クライアント・ネットワーク・サーバー処理・再生をすべて含めた形）で GPT-Live を計測した、初めての公開実験データです。 特筆すべき結果は 3 つありました。4 つ目の傾向もラボ内で繰り返し見られたものの、数値化には至りませんでした。こちらは記事の最後で触れています。

対話型 AI が、単なる「効率化」のためだけではなく、「感情」「文化」「信頼」に基づいて設計されたとしたら、どのような可能性が広がるでしょうか。 2025年 11月 5日、Agora とブイキューブの共催により「Convo AI World Japan」が開催されました。本イベントには、世界的なテックリーダー、創業者、投資家が一堂に会し、対話型 AI、アバター、そしてマルチモーダル・インテリジェンスがどのように進化しているか、そしてなぜ日本の視点が国境を越えて重要視されるのかについて議論が交わされました。 リアルタイム翻訳やストリーミングアバターから、ロボティクスの伝統、文化的なストーリーテリングに至るまで、本イベントはアジア各地域の強みが融合し、世界の AI 体験における次の大きな飛躍に影響を与えている現状を明らかにしました。日本での議論の中心は、単なる規模の拡大ではなく「意味」にありました。すなわち、AI がいかに自然で、敬意を払い、人間らしい方法で人々の声に耳を傾け、応答し、つながりを持てるかという点です。 以下に、各セッションの要約と、素晴らしい登壇者たちがプレゼンテーションで語った主要なトピックを紹介します。 ※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。

「……（沈黙）……あ、はい、承知いたしました」 ChatGPTなどのAIエージェントと話していて、この「1.5秒の微妙な間」にストレスを感じたことはありませんか？あるいは、自分が話し始めたのにAIが喋り続けてしまい、お互いに「あ、どうぞ」「すみません」と譲り合ってしまう“お見合い状態” 。 今、多くの企業がAIボットを導入していますが、その多くが「知能（LLM）は高いのに、会話のテンポが悪い（どんくさい）」という致命的な課題に直面しています 。 結論から言いましょう。音声会話の質を決めるのは「脳の賢さ」ではなく、「耳の良さと、呼吸を合わせるリズム感」です。今回は、その「リズム」を世界最高水準で実現する Agora.io の「ConvoAI」の正体に迫ります 。

※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。 Codex、Claude、Gemini、Cursor などの AI コーディングアシスタントは、今や開発者がコードを書き始める際にまず最初に頼る存在になりつつあります。 これに伴い、開発者がツールやプラットフォームを利用する際における「開発者体験」のあり方も大きく変化しています。 長年、開発プラットフォームのインターフェースは、主に「人間が読んで理解すること」を前提に作られてきました。ドキュメント、クイックスタート、 API リファレンス、サンプルアプリ、コンソールのダッシュボードなどがその典型です。開発者はドキュメントを読み、認証情報をコピーし、パッケージをインストールし、手動でコードに落とし込んできました。 しかし、今やそのプロセスはここまでシンプルになっています。 npx skills add https://github.com/AgoraIO/skills --skill agora プロジェクトに「スキル」をロードし、コーディングアシスタントに、例えば次のようなプロンプトを投げるだけです。 「アメリカの歴史の試験勉強をサポートしてくれる、音声 AI チューターを作って」 これは、従来の開発とは本質的に異なるアプローチです。開発者はプラットフォームの仕様をステップバイステップで学習したいわけではありません。 AI エージェントが構成を自律的に判断し、最適なコンポーネントを選択し、環境を構築して、実際に「動くベースライン (最小限のプロトタイプ) 」を生成することを期待しているのです。 しかし課題として、現在のコーディングアシスタントの多くは、こうした処理を確実に行うために必要な「運用の文脈 (コンテキスト) 」を持ち合わせていません。

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。