ゲーム NPC 向けのリアルタイム音声 API【2026年比較】
ゲームの声付きキャラクター向けに、OpenAI Realtime、Gemini Live、ElevenLabs Agents、Deepgram、Amazon Nova Sonic、Hume EVI を比較し、その上に自分で作る必要のあるものも紹介します。
Neocortex TeamThe team behind Neocortex
· 2026年10月20日更新 · 7分で読めます

Hume は EVI と TTS の音声 API の終了を発表しました。これらの API で話すキャラクターを作ったすべての開発者は、今すぐ移行しなければなりません。 リアルタイム音声 API はゲームキャラクターの一層にすぎず、その層は自分の知らないうちに変わりうる、ということを改めて思い出させる出来事です。
リアルタイムの音声モデルは、話す NPC のデモが半日でできるほど高性能になりました。ただ、ゲームを作る API を選ぶのは難しくなっています。その多くはゲーム向けではなく、カスタマーサービス向けに設計されているからです。 ここでは、ゲーム NPC の観点で主なリアルタイム音声 API を比べ、それぞれの上に何を作ればよいかを説明します。
声付きのゲーム NPC に使えるリアルタイム音声 API はどれですか
OpenAI Realtime。 WebRTC または WebSocket で、音声を入力して音声を出力します。料金は音声とテキストのトークン単位です。セッションは 60 分で終了します。公式の Unity SDK はないため、音声クライアントとトークンサーバーは自分で作る必要があります。
Gemini Live。 Google のリアルタイム API で、こちらもトークン単位で課金されます。WebSocket の接続は約 10 分続き、セッションの再開を使うと、クライアントは再接続して続けられます。Unity からは Firebase AI Logic を経由して使い、その Unity SDK はプレビュー版です。
ElevenLabs Agents。 音声を中心としたエージェントのプラットフォームで、料金は分単位です。言語モデルの料金は別にかかります。同時実行数はプランによって異なります。ElevenLabs は Web とモバイルのフレームワーク向けの公式 SDK を挙げているほか、初期段階の Unity SDK があり、予告なく変わる可能性があります。
Deepgram Voice Agent。 分単位の課金で、独自の言語モデルや TTS を持ち込むこともできます。C# の SDK はありますが、Unity のパッケージはありません。同時実行数はプランによって異なります。
Amazon Nova Sonic。 Amazon Bedrock 上の音声から音声への変換で、トークン単位で課金されます。接続は 8 分に制限されており、その後は新しい接続を開いて履歴を渡し直す必要があります。コンタクトセンター向けで、Unity SDK はありません。
Hume EVI。 Hume の TTS API と一緒に終了します。これで開発した場合は、今のうちに移行を計画してください。音声 ID と設定は、ほかのプロバイダーには引き継げないためです。
それぞれどう比べられますか
| API | 状況 | Unity 対応 | 料金の基準 | セッションの上限 |
|---|---|---|---|---|
| OpenAI Realtime | 提供中 | 公式 SDK なし | 音声とテキストのトークン | 60 分のセッション |
| Gemini Live | 提供中 | Firebase AI Logic、プレビュー版 | 音声とテキストのトークン | 約 10 分の接続、再開可能 |
| ElevenLabs Agents | 提供中 | 初期段階の公式 SDK | 分単位と LLM の料金 | プランに基づく同時実行数 |
| Deepgram Voice Agent | 提供中 | パッケージなし、C# SDK | 分単位 | プランに基づく同時実行数 |
| Amazon Nova Sonic | 提供中 | なし | トークン | 8 分の接続 |
| Hume EVI | 終了予定 | なし | 今は関係なし | 今すぐ移行 |
音声 API の上に自分で作る必要があるものは何ですか
これらの API はどれも、ゲームのキャラクターそのものではありません。どれを使っても、次のものは自分で作る必要があります。
- エンジンの音声クライアント。 Unity や Unreal での取り込み、エンコード、再生、割り込み処理です。Unity の標準のマイク機能が動かない WebGL も含みます。
- バックエンド。 有効期限の短いトークンを発行します。これにより、秘密のキーがプレイヤーに抜き取られうるゲームのビルドに含まれることを防ぎます。
- キャラクター。 性格、知識、記憶、ガードレールを、プロンプトとして書いて保守します。
- セッションの処理。 時間制限の前に再接続すること、接続をまたいで文脈を運ぶこと、プレイヤーの通信が文の途中で切れたときに回復することです。
- ゲームとの統合。 関数呼び出しをアクションに変えることと、シーンの状態をフィードバックして、キャラクターがプレイヤーの見ているものを把握できるようにすることです。
- コストの管理。 分単位またはトークン単位の課金に対する管理です。プレイヤーがマイクを開いたままにした場合の対応も含みます。
- 保守。 モデル、価格、API が変わったり、名前が変わったり、終了したりしたときの対応です。
小規模なチームにとって、項目 1、2、4 だけでも、最初のセリフが自然に聞こえるまでに数週間かかります。
声付きの NPC の運用にはいくらかかりますか
料金の方式は主に 2 種類です。トークン課金(OpenAI、Gemini、Nova Sonic)は、音声の入力と出力に対して課金するため、会話が長くなるほど、長い返答と長い履歴のコストが増えます。分単位の課金(ElevenLabs、Deepgram)は、接続時間に対して課金するため、プレイヤーがメニューを読んでいる間の無音も、セッションを閉じない限り課金対象になります。
どちらの場合も、コストを決めるのは、プレイヤーの数ではなく、プレイヤーがどれだけ話すかです。ある NPC が常に一緒にいるゲームと、プレイヤーが商人と 30 秒だけ話すゲームでは、挙動がまったく違います。別途課金される言語モデルの料金も加えて、公開前に試算してください。
Neocortex は、利用枠のある月額の定額プランを使っています。Starter(EUR 9、個人と学術利用)、Pro(EUR 29、商用利用)、Team(EUR 99、5 席)です。
終了する音声 API から移行するにはどうしますか
Hume EVI から離れる場合、または別の API が変わる日に備える場合は、Neocortex への移行は次のようになります。
- 手元にあるものを書き出す。 アクセスが終わる前に、音声、文字起こし、ログをダウンロードし、各キャラクターのシステムプロンプトと音声の設定をコピーしてください。
- エディタで各キャラクターを作り直す。 システムプロンプトは、Agent ノード(そのキャラクターが誰か)、Personality と Emotion ノード(どう反応するか)、Knowledge ファイル(何を知っているか)に分けられます。
- 声を作り直す。 権利のあるサンプルからクローンを作るか、言葉で説明して音声デザインを使ってください。
- クライアントを入れ替える。 WebSocket の音声コードを、エンジン向けの Neocortex SDK に置き換えます。ほかの用途には Web API を使ってください。
- ツールをアクションに対応させる。 扱っていた関数呼び出しはそれぞれ、返答に現れたときにゲームが実行するアクションになります。
音声 API にしますか、それともキャラクターのプラットフォームにしますか
Neocortex は一段上に位置します。音声 API の代わりに、キャラクター全体を得られます。ビジュアルエディタで設計し、クローンまたはデザインした声で話させ、Unity、Unreal、Godot の SDK、または Web API を通じて届けます。
| 音声 API | Neocortex | |
|---|---|---|
| エンジンの SDK | 通常は自分で作る | Unity、Unreal、Godot |
| WebGL のマイク | 自分で作る | Unity SDK に含まれる |
| キャラクターの設計 | プロンプト | Personality、Emotion、Knowledge などを含むビジュアルノードエディタ |
| 声 | プロバイダーのプリセット | 音声のクローンと音声デザイン(Pro で 5、Team で 20) |
| ゲーム内のアクション | 関数呼び出しを配線する | アクションとインタラクタブルが組み込み |
| ストーリーの構造 | 自分で作る | flowState のチェックポイントを持つ Conversation Flows |
| ベンダーの変更 | 自分の問題 | 当社の問題 |
結論
これらの API はどれも、声の NPC の一層にすぎず、Hume の終了は、ある層がどれほど速く消えうるかを示しています。Neocortex はキャラクター全体です。ストリーミングの音声の入力と出力、自分の声、ゲームが実行するアクション、そして音声をすでに扱っているエンジンの SDK を提供します。まず 1 つのキャラクターを作り、シーンで話す声を聞いてみてください。
個別の比較
- OpenAI Realtime API と Neocortex の比較
- Gemini Live API と Neocortex の比較
- ゲーム NPC 向けの ElevenLabs Agents
- Deepgram Voice Agent と Neocortex の比較
- Amazon Nova Sonic と Neocortex の比較
- Hume EVI は終了します
API の詳細は 2026年10月に最後に確認しました。
よくある質問
Hume EVI は終了するのですか。
はい。Hume は EVI と TTS の API を 2026年11月13日に終了し、その日以降はアカウントのデータを削除します。Neocortex は、ストリーミングの音声からテキスト、テキストから音声、カスタムの声を、キャラクター全体の一部として提供します。Unity、Unreal、Godot の SDK もあります。
OpenAI Realtime API には Unity SDK がありますか。
いいえ。OpenAI は公式の Unity SDK を提供していないため、音声クライアント、トークンサーバー、再接続のロジックは自分で作る必要があります。Neocortex には、Unity 6 向けの Unity SDK があり、サンプルシーンは 6 つで、WebGL ビルドでのマイクにも対応しています。
リアルタイム音声のセッションはどれくらい続きますか。
API によって異なります。OpenAI Realtime のセッションは 60 分で終了し、Gemini Live の接続は再開しない限り約 10 分続き、Nova Sonic の接続は 8 分続きます。Neocortex では、SDK が会話を扱い、プレイヤーの発話ごとに送信されます。
ゲーム NPC に最も安い音声 API はどれですか。
トークン課金の API と分単位の API は、どちらもプレイヤーがどれだけ話すかに応じて増えます。言語モデルは別に課金されることも多くあります。Neocortex は、利用枠のある月額の定額プランを使っています。
NPC にカスタムの声を使えますか。
多くの音声 API はプリセットの声を提供しており、クローンは別の製品として提供されることが多くあります。Neocortex では、権利のある短いサンプルから声をクローンするか、テキストの説明から声をデザインできます。Pro では 5 つ、Team では 20 のカスタムの声を使えます。






