ホームページに「音声で話せるAIコンシェルジュ」を導入した方法と費用｜1会話2〜3円の実録

なにを作ったか：話しかけると声で答える「AIコンシェルジュ」

見た目は、よくあるホームページ右下のチャットです。違うのはここからで、マイクボタンに向かって「料金っていくらですか？」と声で話しかけると、そのまま送信され、AIが声で答えます。読み上げ中はコンシェルジュの顔アイコンが口をぱくぱく動かすので、「いま喋っている」ことがひと目で分かります。

もちろん従来どおり文字で打ってもよく、音声はいつでもON/OFFできます。実物はこのページの右下で動いているので、読み終わったら試してみてください。

専門用語が続くので、そのつど平たく言い換えます。全体は3層構成です。

会話の頭脳（チャットボット本体）——質問の意味を理解して答えを組み立てるAI（Google のGemini）。当社サイトの料金やサービス内容を知識として持たせてあり、知らないことは「初回相談でご確認ください」と正直に答える設定にしています。
声（音声合成）——文字の答えを人の声に変換する技術。いわば「原稿を読んでくれるアナウンサー」です。Gemini TTSという音声合成AIを使い、どのスマホ・パソコンでも同じ「コンシェルジュの声」になるようにしました。
耳（音声認識）——マイクの声を文字にする部分。これはブラウザ（ChromeやEdge）に最初から入っている無料機能を使っています。

サーバーはCloudflare Pagesという月額0円から使えるサービス上で動かしており、初期費用も月額固定費もかかっていません。かかるのはAIを呼び出した分だけの従量課金です。

いちばん聞かれるところなので、試算の内訳ごと公開します。音声合成の料金は「生成した音声の長さ」に比例します。

さらに、挨拶や「よくある質問」への同じ答えは一度作った音声を使い回す（キャッシュする）仕組みにしたので、2回目以降は0円です。小規模サイトなら、音声分の実費は月に数十円〜数百円に収まる規模感です。

スマホは勝手に音を出せない——ブラウザには「ユーザーが操作するまで音を鳴らさない」ルールがあります。「音声ボタンを押した人にだけ喋る」設計にすれば解決します。
声がブラウザごとにバラバラ問題——パソコンやスマホ内蔵の読み上げ機能は機種ごとに声が違い、ブランドの印象が安定しません。サーバー側で音声を作って配る方式にすると、全員に同じ声を届けられます。
音声APIをよそから勝手に使われる対策——音声を作る窓口をそのまま公開すると、外部から「無料の音声合成サービス」として乱用されかねません。自サイトからの呼び出しだけを通す門番（Originチェック）と、1回あたりの文字数上限を付けました。
失敗しても無音にしない——音声合成が混雑などで失敗したときは、自動でブラウザ内蔵の読み上げに切り替わる予備を用意しました。お客様側では「声のトーンが変わったな」くらいで会話は途切れません。

私たちが川崎の小さなお店や事業者の現場でよく聞く困りごとに重ねると、使いどころはこのあたりです。

導入のコツは、いきなり完璧を目指さないことです。当社も「文字のチャットボット→音声入力→声で返す→顔アイコン」と段階的に足していきました。既にチャットボットがあるサイトなら、音声対応の追加は1日かからない規模の作業です。

できあがってみると、音声対応の価値は技術のすごさではなく、「問い合わせのハードルが一段下がる」ことでした。文字を打つのが面倒な人、電話は気が引ける人が、話しかけるだけで疑問を解消できます。そして訪問者にとっては「この会社、AIをちゃんと使いこなしているな」という何よりの実演になります。

実物はこのページの右下で動いています。マイクボタンを押して、「料金は？」と話しかけてみてください。