【第 1 回】音声対話 AI プロダクトの月額コストを試算する：共通の利用条件と STT・TTS

👀 概要

パーソルホールディングス エンジニアリング部 Technical Alliance 室の武田です。
音声対話 AI プロダクトの月額コスト試算について、全 3 回に分けてご紹介します。
今回は、シリーズの第 1 回として、共通の利用条件の置き方、および STT・TTS のコスト試算について記載します。

👨‍👩‍👧‍👦 対象者(Who)

• 音声対話 AI を構成する各サービスのコスト体系について理解したい方

📌 関連リンク

• Azure Speech の価格

🗒️ 目次

• 本シリーズについて
• はじめに
• 本記事の前提
• 各サービスの課金体系と試算の進め方
• 共通の利用条件を決める
  • プロダクトがどれくらい使われるかを仮定する
  • 会話に関する数値を仮定する
  • LLM に関する数値を仮定する
  • RAG に関する数値を仮定する
• STT・TTS コスト試算
  • STT コスト試算
  • TTS コスト試算
  • STT・TTS コスト合計
• まとめ

📝 内容

本シリーズについて

本記事は、音声対話 AI の月額コストを STT、TTS、LLM、RAG に分解して試算する全 3 回シリーズの第 1 回です。

1. （1）共通の利用条件と STT・TTS … 本記事
2. （2）LLM … （公開後に追記）
3. （3）RAG と合計 … （公開後に追記）

共通の利用条件については、本記事（第 1 回）で定義し、以降のシリーズでは、計算に必要な情報のみを再掲します。
また、コスト合計については、第 3 回で記載します。

はじめに

プロダクトの費用対効果を見極めるためには、稼働にどれくらいのコストがかかるかを試算する必要があります。
音声対話 AI のコストは、会話時間だけでは見積もれません。
STT、TTS、LLM、RAG で課金単位が異なるため、共通の利用条件を決めてから、各サービスのコストを積み上げていく必要があります。

本シリーズでは、音声対話 AI プロダクトを例に、前提条件の考え方から各サービスの課金体系、具体的な試算までを分けて記載します。
第 1 回では、共通の利用条件を定義し、STT、TTS のコストまでを試算します。
LLM、RAG、およびコスト合計については、後続回で扱います。

本記事の前提

本シリーズでは、次の構成を前提とします。
コンテナ実行基盤やデータベースなどについては、要件に応じて大きく異なるため試算対象から除きます。
また、記事中のユーザー数や利用回数、会話時間、発話率などは、本シリーズ用に仮で数値を置いています。

項目	値
STT	Azure Speech（Japan East）
TTS	Azure Speech（Japan East）
LLM	Azure OpenAI Service（GPT-5.4 mini Global、GPT-5.4 nano Global）
RAG	Azure AI Search（Japan East）
Embedding	Azure OpenAI Service（text-embedding-3-small）
通貨	米ドル
料金調査日	2026年8月19日
本記事の試算対象	STT、TTS
シリーズの試算対象	STT、TTS、LLM、RAG

本記事（第 1 回）で記載しない範囲は、以下です。

• LLM のトークン内訳、モデル選定、LLM コスト試算（第 2 回）
• RAG の Search Unit コスト試算、Embedding コスト試算（第 3 回）
• 各サービスのコスト合計（第 3 回）

各サービスの課金体系と試算の進め方

音声対話 AI では、1 回の会話の中で、各種サービス利用が発生します。
ユーザーの音声は STT でテキストに変換され、LLM が会話履歴や検索結果を入力として回答を生成、TTS が回答を音声へ変換します。
RAG として Azure AI Search を使う場合は、検索基盤の固定費用や Embedding 利用に応じた費用も加わります。
（RAG については、どのサービスを使うかによって課金体系が異なるため、本シリーズでは Azure AI Search を使う前提で記載します。）

各サービスの主な課金対象を以下に記載します。

サービス	主な課金単位	課金性質
STT	認識する音声の時間	従量料金
TTS	生成する文字数	従量料金
LLM	入力トークン数、出力トークン数	従量料金
RAG	検索基盤固定費、Embedding トークン数	固定料金＋従量料金

本シリーズでは、試算を次の順序で進めます。

1. 会話数や会話時間など、共通の利用条件を決める（本記事にて記載）
2. 各サービスの課金単位を試算する（本記事は STT・TTS、第 2 回は LLM、第 3 回は RAG）
3. 各サービスの公開単価を掛けてコストを試算する
4. 各サービスのコストを合計する（第 3 回にて記載する）

共通の利用条件を決める

ここから先の利用条件は、本シリーズ全体で共通とします。
以降のシリーズにおいても、以下の値を前提とします。

プロダクトがどれくらい使われるかを仮定する

まず、ユーザー数を決めます。
今回は 1,000 人とします。

次に、1 人当たりの月間利用（会話）数を決めます。
今回は 2 回とします。

これで、プロダクトの月間利用（会話）数が決まります。
今回は 2 × 1,000 = 2,000 回となります。

また、第 3 回の検索負荷試算で使うため、営業日数と稼働時間を定義します。
今回は、営業日数を 20 日、稼働時間を 12 時間とします。

項目	値
ユーザー数	1,000 人
1 人当たり月間利用（会話）数	2 回
月間利用（会話）数	2,000 回
営業日数	20 日
稼働時間	12 時間

会話に関する数値を仮定する

1 回当たりの平均会話時間を決めます。
今回は 20 分とします。

次に会話の配分を決めます。
実際に会話する際は、ユーザーが発話し、少しの間（無音）をおいて、AI が応答し、ユーザーが考えて、発話するといった流れが一般的です。
今回はユーザー発話率を 20 %、AI 発話率を 60 %、無音率を 20 % とします。

次に発話文字数を決めます。
今回はユーザー発話文字数を 40、AI 発話文字数を 160 とします。

また、日本語 1 文字に対するトークン数を決めます。
本シリーズでは、日本語 1 文字を 1.5 トークンとします。
すると、発話トークン数は、ユーザーが 60 トークン、AI が 240 トークンとなります。

次に会話のターン数（1 回の会話の中でユーザーと AI が何回会話のラリーをするか）を決めます。
今回は 16 とします。

項目	値
平均会話時間	20 分
ユーザー発話率	20 %
AI 発話率	60 %
無音率	20 %
ユーザー平均発話文字数	40 文字/発話
AI 平均発話文字数	160 文字/発話
ユーザー平均発話トークン数	60 トークン
AI 平均発話トークン数	240 トークン
日本語 1 文字のトークン数	1.5 トークン
会話ターン数	16 ターン

LLM に関する数値を仮定する

LLM の詳細な試算は第 2 回で行います。
ただし、後続回で同じ前提を使えるよう、ここで定義します。

LLM は 1 ターンにつき 1 回だけ呼び出されるとは限りません。
音声対話 AI プロダクトで何を実現するかに大きく依存しますが、今回は 1 ターンにつき、入力検証（ユーザーの発話テキストが有害でないことを検証する）、回答生成、出力検証（LLM が生成した回答が有害でないことを検証する）処理が実行されるとします。

1. 入力検証
2. 回答生成
3. 出力検証

各処理のシステムプロンプトトークン数について、入力検証を 400 トークン、回答生成を 800 トークン、出力検証を 400 トークンとします。
また、各処理の出力トークン数について、入力検証は検証結果のみを返すとし、20 トークン、出力検証も同様に検証結果のみを返すとし、20 トークンとします。
回答生成の出力は AI 発話と同義のため、ここでは省略します。

項目	値
入力検証システムプロンプトトークン数	400 トークン
回答生成システムプロンプトトークン数	800 トークン
出力検証システムプロンプトトークン数	400 トークン
入力検証出力トークン数	20 トークン
出力検証出力トークン数	20 トークン

RAG に関する数値を仮定する

RAG の詳細な試算は第 3 回で行います。
こちらも、後続回で同じ前提を使えるよう、ここで定義します。

RAG の発動率（ユーザーの発話に対してどれくらいの頻度で RAG が発動するか）を決めます。
今回は 30 % とします。
実際は、想定されるシナリオを試して、RAG がどれくらい発動するかを見たほうが、より正確な試算ができます。

次に、RAG の取得件数を決めます。
今回は上位 5 件とします。

次に、チャンクサイズを決めます。
今回は 500 トークンとします。

また、会話終了後に長期記憶として、会話内容の要約を RAG に投入するとします。
今回は要約トークン数を 300 トークンとします。

項目	値
RAG 発動率	30 %
RAG 取得件数	上位 5 件
チャンクサイズ	500 トークン
要約トークン数	300 トークン

STT・TTS コスト試算

STT については、STT が認識する時間、つまり、 全ユーザーが話した合計時間 よりコストを試算します。
（ユーザー発話区間のみ認識を開始し、その区間だけを STT に送信するとします。）
TTS については、 TTS が生成する文字数 よりコストを試算します。
時間は会話時間および発話率から、文字数はターン数および発話文字数から導出します。

STT コスト試算

全ユーザーが話した合計時間は、以下で求めることができます。

全ユーザーが話した合計時間 [時間]
= 月間利用（会話）数 × 平均会話時間 [分] × ユーザー発話率 ÷ 60

今回のケースでは、月間利用（会話）時間は 40,000 分となります。

2,000 回 × 20 分 = 40,000 分

ユーザー発話率を 20 % とすると、STT が認識する時間は 8,000 分、約 133.33 時間 になります。

40,000 分 × 20 % ÷ 60 = 133.33 時間

STT の単価が $1/時間 であるため、1 ヶ月当たりのコストは約 $133/月 となります。

133.33 時間 × $1/時間 = $133.33/月

Speech Model Prices
Category Features Price
Speech to Text Standard Transcription Real-time Transcription: $1 per hour
https://azure.microsoft.com/ja-jp/pricing/details/speech/

TTS コスト試算

TTS が生成する文字数は、以下で求めることができます。

TTS 生成文字数
= 月間利用（会話）数 × 会話ターン数 × AI 平均発話文字数

今回のケースでは、生成文字数は 512 万文字になります。

2,000 回 × 16 ターン × 160 文字 = 5,120,000 文字

TTS の単価が $15/100万文字 であるため、1 ヶ月当たりのコストは約 $77/月 となります。

5,120,000 文字 × $15/100万文字 = $76.80/月

Commitment Tiers – Standard
Category Features Price
Text to Speech Standard Voice Neural/Neural HD Flash (real-time and batch): $15 per 1M characters
https://azure.microsoft.com/ja-jp/pricing/details/speech/

STT・TTS コスト合計

試算結果より、STT および TTS の合計コストは約 $210/月 となります。

$133.33/月 + $76.80/月 = $210.13/月

項目	値
STT コスト	$133.33/月
TTS コスト	$76.80/月
STT・TTS コスト	$210.13/月

まとめ

音声対話 AI のコストは、課金単位がサービスごとに異なるため、まず共通の利用条件を決め、そこから各サービスの利用量へ変換していく必要があります。

第 1 回では、シリーズ共通の利用条件を定義し、STT・TTS コストを次の考え方で試算しました。

• STT
  • ユーザーがどれくらいの時間発話するのかを整理する
  • ユーザー発話区間だけを STT に送信する前提で、認識時間を求める
• TTS
  • AI が 1 会話でどれだけの文字を発話するのかを整理する
  • ターン数と AI 平均発話文字数から生成文字数を求める

今回のケースでは、STT・TTS の小計は約 $210/月 でした。

次回（第 2 回）では、本記事の利用条件を前提に、入力検証・回答生成・出力検証の呼び出しから LLM のコストを試算します。
RAG の試算、および STT・TTS・LLM・RAG のコスト合算は、第 3 回で扱います。