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 ブログをもとに作成した記事です。 AI コーディングエージェントの進化によって、アプリケーション開発はこれまで以上に高速になりました。 GitHub Copilot 、 Cursor 、 Claude Code などを使えば、多くのコードは AI が生成してくれます。 しかし実際の開発では、「コードを書く前」の準備作業に意外と時間がかかります。 例えば Agora を利用する場合でも、 Agora Console でプロジェクトを作成 App ID を取得 .env を設定 Quickstart を探す SDK をセットアップ といった作業が必要です。 AI はコードを書けても、この初期セットアップはまだ人間が行うことがほとんどです。 そこで登場したのが Agora CLI です。 この記事では、 Agora CLI がどのように開発体験を改善し、 AI エージェント時代の新しいワークフローを実現するのかをご紹介します。

※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。 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。

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。

「……（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。

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。