この記事でわかること:
- Pipecat v1.1.0（2026年4月最新）でSTT→LLM→TTSパイプラインを5分で構築する方法
- Daily.co / LiveKit / Vapiとの具体的な違いと選定基準
- 月1万分規模の音声エージェントを運用する際のコスト試算
対象読者: AIエージェントを設計・実装したい開発者・技術PM
今日やること: まずStep 1の最小パイプラインをローカルで動かしてみる
「音声AIエージェントを作りたいけど、WebRTC・STT・LLM・TTSを自前でつなぐのが面倒…」
実際にクライアントのコールセンター自動化プロジェクトを手伝ったとき、最初に直面したのがこの問題でした。Deepgram・OpenAI・Cartesiaそれぞれの公式SDKを組み合わせようとすると、音声ストリームのバッファリングだけで数日かかります。
そのときに採用したのが Pipecat です。Daily社が開発するオープンソースのPythonフレームワークで、STT・LLM・TTS・WebRTCトランスポートを統一的なパイプラインとして組み合わせられます。2026年4月にv1.1.0がリリースされ、Mistral STT（Voxtral Realtime API）への対応など機能が大幅に拡張されました。
この記事では、Pipecat v1.1.0を使った音声AIエージェントの実装をコード付きで解説します。最小構成から始め、本番向けのマルチサービス選択・コスト最適化まで一気にカバーします。
Pipecatとは何か――設計思想と他との違い
Pipecatは 「パイプライン」 という概念でリアルタイム音声処理を抽象化します。STT（音声→テキスト）→LLM（テキスト→テキスト）→TTS（テキスト→音声）という流れを、フレームという単位でストリーミング処理します。
重要なのは「モジュラー性」です。Deepgramを使うかWhisperを使うかをコード1行で切り替えられ、LLMもOpenAI・Anthropic・Geminiを差し替えられます。100以上のAIサービスに公式サポートがあります。
他のフレームワークとの根本的な差
| 観点 | Pipecat | LiveKit Agents | Vapi |
|---|---|---|---|
| ライセンス | OSS（BSD-2） | OSS（Apache 2.0） | マネージドSaaS |
| カスタマイズ性 | ★★★★★ フル制御 | ★★★★☆ 高い | ★★☆☆☆ 限定的 |
| セットアップ難度 | 中（Python知識必要） | 中高（インフラ知識も必要） | 低（APIキーのみ） |
| 本番コスト（月1万分） | 〜$300-500* | 〜$400-700* | 〜$700-3,300* |
| レイテンシ目標 | <500ms（設定次第） | <500ms | 〜700ms-1s |
| マルチモーダル対応 | 音声・動画・画像 | 音声・動画 | 音声のみ |
*コストはSTT・LLM・TTS・インフラ込みの参考値。実際の数値は選択するサービスにより変動します（参照日: 2026-04-28）。
Pipecatが向いているのは「月10万分以上のスケール」「HIPAA/SOC2などコンプライアンス要件あり」「既存システムとの深い統合」が必要なケースです。一方、プロトタイプを1週間で出したい場合はVapiから始める選択も合理的です。
セットアップ：5分で最小パイプラインを動かす
まず最小構成から始めます。必要なのはPython 3.11以上と各サービスのAPIキーです。
インストール
Pipecatはextra方式で必要なサービスのみインストールします：
# 基本インストール（DeepgramSTT + OpenAILLM + CartesiaTTS）
pip install "pipecat-ai[deepgram,openai,cartesia,daily]"
# または全部入り（開発・検証用）
pip install "pipecat-ai[all]"
Python 3.11以上が必須です（推奨: 3.12）。
環境変数の設定
# .env ファイルに記載
DEEPGRAM_API_KEY=your_deepgram_key
OPENAI_API_KEY=your_openai_key
CARTESIA_API_KEY=your_cartesia_key
DAILY_API_KEY=your_daily_key # WebRTCトランスポートを使う場合
最小パイプラインのコード（音声対話ボット）
以下は最もシンプルなSTT→LLM→TTSパイプラインです。ローカルで動作確認できます。
import asyncio
import os
from dotenv import load_dotenv
from pipecat.pipeline.pipeline import Pipeline
from pipecat.pipeline.runner import PipelineRunner
from pipecat.pipeline.task import PipelineParams, PipelineTask
from pipecat.services.deepgram.stt import DeepgramSTTService
from pipecat.services.openai.llm import OpenAILLMService
from pipecat.services.cartesia.tts import CartesiaTTSService
from pipecat.processors.aggregators.openai_llm_context import OpenAILLMContext
from pipecat.transports.local.audio import LocalAudioTransport
from pipecat.audio.vad.silero import SileroVADAnalyzer
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
load_dotenv()
async def main():
# 1. トランスポート（マイク入力 / スピーカー出力）
transport = LocalAudioTransport(
LocalAudioParams(audio_in_enabled=True, audio_out_enabled=True)
)
# 2. STT: Deepgram Nova-2（日本語対応）
stt = DeepgramSTTService(
api_key=os.environ["DEEPGRAM_API_KEY"],
language="ja", # 日本語設定
model="nova-2",
)
# 3. LLM: OpenAI GPT-4o
llm = OpenAILLMService(
api_key=os.environ["OPENAI_API_KEY"],
model="gpt-4o",
)
# 4. TTS: Cartesia（低レイテンシ音声合成）
tts = CartesiaTTSService(
api_key=os.environ["CARTESIA_API_KEY"],
voice_id="ja-JP-female-1", # 日本語音声ID
)
# 5. システムプロンプトの設定
messages = [
{
"role": "system",
"content": "あなたは親切なAIアシスタントです。簡潔に日本語で回答してください。",
}
]
context = OpenAILLMContext(messages)
context_aggregator = llm.create_context_aggregator(context)
# 6. パイプラインの組み立て（入力→STT→LLM→TTS→出力）
pipeline = Pipeline([
transport.input(),
stt,
context_aggregator.user(),
llm,
tts,
transport.output(),
context_aggregator.assistant(),
])
# 7. 実行
task = PipelineTask(pipeline, params=PipelineParams(allow_interruptions=True))
runner = PipelineRunner()
await runner.run(task)
if __name__ == "__main__":
asyncio.run(main())
動作環境: Python 3.11+, pipecat-ai 1.1.0, macOS/Linux
ポイント:
allow_interruptions=Trueでユーザーが話し始めると即座に応答を中断する「バージ」機能が有効になりますSileroVADAnalyzerで音声区間を自動検出します（VAD = Voice Activity Detection）- パイプラインの各要素は非同期ストリームで接続されるため、STTの結果が出始めた瞬間にLLMへ渡します
実装サンプル：シナリオ別パイプライン構築
ここからが実践的な内容です。ユースケース別に3パターンのパイプラインを紹介します。
パターン1：WebRTCブラウザ対話（Daily.co使用）
実際にクライアントの受付自動化システムで使った構成です。ブラウザから直接音声対話できます。
from pipecat.transports.services.daily import DailyTransport, DailyParams
from pipecat.services.deepgram.stt import DeepgramSTTService, LiveOptions
from pipecat.services.anthropic.llm import AnthropicLLMService
from pipecat.services.elevenlabs.tts import ElevenLabsTTSService
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
async def build_webrtc_pipeline(room_url: str, token: str):
# Daily.co WebRTCトランスポート
transport = DailyTransport(
room_url=room_url,
token=token,
bot_name="AI受付",
params=DailyParams(
audio_in_enabled=True,
audio_out_enabled=True,
camera_out_enabled=False, # 音声のみ
vad_enabled=True,
vad_analyzer=SileroVADAnalyzer(),
),
)
# STT: Deepgram（エンドポイント検出を最適化）
stt = DeepgramSTTService(
api_key=os.environ["DEEPGRAM_API_KEY"],
live_options=LiveOptions(
model="nova-2",
language="ja",
punctuate=True,
interim_results=True, # 中間結果を活用してレイテンシ削減
endpointing=200, # 200ms無音でユーザー発話終了と判定
),
)
# LLM: Claude 3.7 Sonnet
llm = AnthropicLLMService(
api_key=os.environ["ANTHROPIC_API_KEY"],
model="claude-sonnet-4-5",
)
# TTS: ElevenLabs（日本語品質高）
tts = ElevenLabsTTSService(
api_key=os.environ["ELEVENLABS_API_KEY"],
voice_id="japanese_voice_id",
model="eleven_flash_v2", # 低レイテンシモデル
optimize_streaming_latency=3,
)
messages = [{"role": "system", "content": "受付担当AIアシスタントです。丁寧な言葉遣いで応対してください。"}]
context = AnthropicLLMContext(messages)
context_aggregator = llm.create_context_aggregator(context)
pipeline = Pipeline([
transport.input(),
stt,
context_aggregator.user(),
llm,
tts,
transport.output(),
context_aggregator.assistant(),
])
return PipelineTask(pipeline, params=PipelineParams(allow_interruptions=True))
ポイント: interim_results=True と endpointing=200 の組み合わせで体感レイテンシを大幅に削減できます。エンドポイント値を下げすぎると文の途中で切れるため、200-300msが実用的な範囲です。
パターン2：マルチエージェント構成（ルーティング付き）
Pipecat v1.0以降で使える Subagents機能 を使ったマルチエージェント構成です。複数の専門エージェントに会話を引き継ぎます。
from pipecat.agents.subagent import Subagent, SubagentParams
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# 専門エージェントの定義
class SupportAgent(Subagent):
"""カスタマーサポート専門エージェント"""
system_prompt = "あなたは製品サポート担当です。技術的な問題を解決します。"
class SalesAgent(Subagent):
"""営業専門エージェント"""
system_prompt = "あなたは営業担当です。製品の導入提案を行います。"
# ルーターエージェント（会話内容を判断して専門エージェントに引き渡す）
router_messages = [
{
"role": "system",
"content": """あなたは受付AIです。
ユーザーの問い合わせ内容を判断し、適切な担当者に引き継ぎます。
技術的な問題→'support'、製品購入相談→'sales' とだけ返答してください。""",
}
]
async def route_conversation(user_message: str) -> str:
"""会話内容に基づいてルーティング先を決定"""
# LLMで分類（実装省略）
# 実際には llm.generate() で分類結果を取得
return "support" # or "sales"
# サブエージェントの登録とハンドオフ
subagents = {
"support": SupportAgent(params=SubagentParams(llm_service=llm, tts_service=tts)),
"sales": SalesAgent(params=SubagentParams(llm_service=llm, tts_service=tts)),
}
パターン3：Pipecat Cloud（スケーラブルデプロイ）
Pipecat Cloudを使うと、デプロイ・スケーリングをDaily社のインフラに任せられます。コストはエージェント起動時間あたり$0.01/分（2026年4月時点）。
from pipecat.runner.cloud import CloudRunner
# 注意: 本番環境で使用する前に、必ずテスト環境で動作確認してください。
# Pipecat Cloud設定（pipecat.yaml）
"""
name: my-voice-agent
region: us-east-1
max_instances: 10 # 最大10並列
min_instances: 1 # 常時1インスタンス待機
"""
async def main():
runner = CloudRunner()
# ローカルとコードは同じ。CloudRunnerがデプロイ先を切り替える
await runner.run(task)
Pipecat Cloudは2026年1月にGA（一般提供）になりました。auto-scaling・マルチリージョン・エンタープライズサポートが含まれます。
Daily.co / LiveKit / Vapi 徹底比較
Pipecatはトランスポート（WebRTC基盤）を差し替えられます。主要3つを比較します。
| 比較軸 | Daily.co（Pipecat Cloud） | LiveKit | Vapi |
|---|---|---|---|
| コスト（エージェント分） | $0.01/分 | $0.01/分 | $0.05/分〜（合計$0.13-0.31/分） |
| OSS | Pipecat: Yes / Daily: No | Yes | No |
| セルフホスト | 可（Pipecat単体） | 可 | 不可 |
| 日本語STT品質 | Deepgram選択可 | Deepgram/Whisper選択可 | Deepgram固定（プランによる） |
| 電話（PSTN）対応 | Daily経由で可 | SIP Trunk経由で可 | 標準対応 |
| HIPAA対応 | Daily Enterpriseで対応 | セルフホストで対応可 | 有料アドオン（$1,000/月） |
最終確認日: 2026-04-28
選定の考え方
- まずPipecatを試したい → Daily.co（Pipecat Cloud）一択。セットアップが最も簡単
- 大規模・フル制御が必要 → LiveKit + Pipecatの組み合わせ
- プロトタイプ1週間で出したい → Vapi（ただし月10万分超えるとコスト逆転）
- コンプライアンス要件（医療・金融） → LiveKitセルフホスト
コスト試算：月1万分・月10万分のシナリオ
実際の運用コストを試算します。サービスの組み合わせによって大きく変わります。
| コンポーネント | 選択サービス | 単価 | 月1万分コスト | 月10万分コスト |
|---|---|---|---|---|
| STT | Deepgram Nova-2 | $0.0059/分 | $59 | $590 |
| LLM | GPT-4o | 〜$0.02/分（平均トークン数想定） | $200 | $2,000 |
| TTS | Cartesia Sonic | 〜$0.005/分 | $50 | $500 |
| インフラ | Pipecat Cloud | $0.01/分 | $100 | $1,000 |
| 合計 | – | – | 〜$409 | 〜$4,090 |
同じ構成でVapiを使った場合の合計コストは月1万分で$1,300〜$3,100程度になる計算です。10万分規模では自社ホスト（Pipecat + LiveKit）の選択でコストを80%以上削減できる可能性があります。
注意: LLMコストはユーザーの発話量とシステムプロンプトの長さに大きく依存します。上記はあくまで参考値です。実運用前に必ず自社のトラフィックパターンで試算してください。
よくある失敗パターンと回避策
失敗1：VAD閾値が高すぎてユーザーの発話が切れる
❌ VADをデフォルト設定で使い、短い相槌（「はい」「そうです」）が検出されない
⭕ VADの感度（threshold）を下げ、発話の最小長（min_speech_duration_ms）を設定する
from pipecat.audio.vad.silero import SileroVADAnalyzer, SileroVADParams
vad = SileroVADAnalyzer(params=SileroVADParams(
threshold=0.4, # デフォルト0.5より低め
min_speech_duration_ms=100, # 100ms以上の音声のみ検出
min_silence_duration_ms=300, # 300ms無音で発話終了
))
なぜ重要か: 日本語は語尾が短い傾向があります。デフォルトでは「えっと」「あの」などの短い発話が無視され、UXが大幅に低下します。
失敗2：LLMのストリーミングを使わない
❌ LLMの出力を全文待ってからTTSに渡す → 2-5秒の沈黙が発生
⭕ ストリーミング出力を有効にしてトークン単位でTTSに渡す
# OpenAILLMServiceはデフォルトでストリーミング有効
# stream=True が自動設定されている（明示的な設定不要）
llm = OpenAILLMService(
api_key=os.environ["OPENAI_API_KEY"],
model="gpt-4o",
# stream=True がデフォルト
)
ポイント: Pipecatは内部的にLLMのストリーミング出力をTTSに順次渡します。文節区切りを検出してTTSを起動するため、体感レイテンシを500ms以下に抑えられます。
失敗3：エラーハンドリングなしで本番投入する
❌ APIタイムアウト時に沈黙したままになる
⭕ フォールバックメッセージとリトライロジックを実装する
from pipecat.processors.frameworks.langchain import LangchainProcessor
# エラー時のフォールバック
@pipeline.on_error
async def handle_error(error: Exception):
# TTSでフォールバックメッセージを再生
await tts.say("申し訳ありません。少しお待ちください。")
# 再接続ロジック（省略）
失敗4：ログ・トレースを設定しない
❌ 本番で問題が起きても何が起きたかわからない
⭕ Langfuse等のオブザーバビリティツールと連携する
PipecatはLangfuseとの公式連携があり、各フレームの処理時間・エラー・LLMコールをトレースできます。
FAQ：よくある疑問
Q: Pipecatは日本語に対応していますか？
A: Pipecat自体は言語非依存です。STTにDeepgram Nova-2（language="ja"）、TTSにElevenLabsやNijivoice（日本語音声特化）を選べば日本語対応できます。ただし日本語対応の品質はSTT/TTSサービスの選択に大きく依存します。
Q: 電話（固定電話・携帯電話）と繋げられますか？
A: Pipecat単体では電話回線に直接つながりません。Twilio・Daily（PSTN経由）・LiveKit SIP Trunkと組み合わせることで実現できます。電話対応が主要ユースケースの場合はVapiが標準対応しているため、そちらを検討するのも選択肢です。
Q: Pipecat Cloudを使わずにセルフホストできますか？
A: できます。PipecatはOSSなので、AWS・GCP・自社サーバー上にデプロイ可能です。Pipecat CloudはDaily社の管理インフラを利用する有料オプションですが、コア機能はクラウド不要で動作します。
Q: GPT-4o以外のLLMは使えますか？
A: はい。Anthropic Claude・Google Gemini・Mistral・ローカルモデル（Ollama経由）など100以上のサービスに対応しています。サービスごとのモジュールが用意されており、インポート先を変えるだけで切り替えられます。
Q: 開発環境でWebRTCなしにテストできますか？
A: LocalAudioTransport（マイク・スピーカー直結）またはWebSocketTransportを使えばWebRTCなしでテストできます。Daily.co等のアカウントなしにローカルで動作確認できるのがPipecatの強みです。
参考・出典
- Pipecat公式ドキュメント — Getting Started（参照日: 2026-04-28）
- pipecat-ai PyPI — v1.1.0リリース情報（参照日: 2026-04-28）
- Pipecat Cloud Pricing — Daily.co（参照日: 2026-04-28）
- LiveKit Pricing（参照日: 2026-04-28）
- Vapi Pricing（参照日: 2026-04-28）
- Open Source Observability for Pipecat — Langfuse（参照日: 2026-04-28）
まとめ：今日から始める3つのアクション
- 今日:
pip install "pipecat-ai[deepgram,openai,cartesia]"を実行し、最小パイプラインをローカルで動かしてみる - 今週中: 自社のユースケースに合わせてSTT/LLM/TTSの組み合わせを試し、レイテンシとコストを計測する
- 今月中: Pipecat Cloudまたはセルフホストで本番デプロイし、オブザーバビリティ（Langfuse等）を設定する
あわせて読みたい:
- 【2026年4月】OpenAI Agents SDK完全ガイド｜実装とコスト試算 — マルチエージェント設計の基礎
- 【2026年4月】E2B・Daytona・Modal完全比較｜AI実行環境選定 — エージェント実行環境の選び方
この記事を読んで導入イメージが固まってきた方へ
UravationではAIエージェント導入の研修・コンサルを行っています。音声AIエージェントの設計から本番運用まで、実装支援も承ります。
著者: 佐藤傑（さとう・すぐる）
株式会社Uravation代表取締役。X（@SuguruKun_ai）フォロワー10万人超。
100社以上の企業向けAI研修・導入支援。著書累計3万部突破。
SoftBank IT連載7回執筆（NewsPicks最大1,125ピックス）。
ご質問・ご相談は お問い合わせフォーム からお気軽にどうぞ。
