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。

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。

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。