AI音声アシスタント開発で稼ぐ — カスタム音声Botの受注と構築

企業のカスタマーサポートや社内問い合わせ対応にAI音声アシスタントを導入したいというニーズが急増している。Whisper（音声認識）+ LLM（応答生成）+ TTS（音声合成）の3技術を組み合わせることで、実用レベルの音声アシスタントを構築できる。開発単価は1案件50〜300万円と高く、フリーランスにとって魅力的な領域だ。

AI音声アシスタントの市場と案件単価

音声AI市場は2025年に約120億ドル規模に達し、年間20%以上の成長率で拡大している。日本国内でもコールセンターの人手不足を背景に、AI音声対応への投資が進んでいる。

案件タイプ別の単価

案件タイプ	開発期間	単価目安
FAQ対応ボイスBot	2〜4週間	50〜100万円
予約受付音声システム	4〜8週間	100〜200万円
社内ヘルプデスク音声AI	4〜6週間	80〜150万円
フルカスタム音声アシスタント	8〜16週間	200〜500万円

月額保守契約（月5〜15万円）を含めれば、安定的なストック収入も見込める。

技術スタックの全体像

音声アシスタントは以下の3コンポーネントで構成される。

アーキテクチャ

ユーザー音声入力
    ↓
[音声認識] Whisper API / Google Speech-to-Text
    ↓
[テキスト処理] Claude API（応答生成）
    ↓
[音声合成] OpenAI TTS / Google Cloud TTS / VOICEVOX
    ↓
音声出力

各レイヤーの技術選定基準:

• 音声認識: 日本語精度ではWhisper large-v3が最も安定
• 応答生成: Claude APIは長いコンテキストに強く、企業のFAQデータを大量に参照できる
• 音声合成: 自然さ重視ならOpenAI TTS、コスト重視ならVOICEVOX（無料・OSS）

実装の手順

ステップ1: 音声認識の実装

Whisper APIを使って音声入力をテキストに変換する。

from openai import OpenAI
import sounddevice as sd
import numpy as np
import wave
import tempfile

client = OpenAI()

def record_audio(duration=10, sample_rate=16000):
    """マイクから音声を録音"""
    print("録音中... (話してください)")
    audio = sd.rec(
        int(duration * sample_rate),
        samplerate=sample_rate,
        channels=1,
        dtype=np.int16,
    )
    sd.wait()
    return audio, sample_rate

def transcribe(audio_data, sample_rate):
    """Whisper APIで音声をテキスト化"""
    with tempfile.NamedTemporaryFile(suffix=".wav", delete=False) as f:
        with wave.open(f.name, "w") as wf:
            wf.setnchannels(1)
            wf.setsampwidth(2)
            wf.setframerate(sample_rate)
            wf.writeframes(audio_data.tobytes())
        with open(f.name, "rb") as audio_file:
            result = client.audio.transcriptions.create(
                model="whisper-1",
                file=audio_file,
                language="ja",
            )
    return result.text

ステップ2: LLMによる応答生成

認識したテキストに対してClaude APIで応答を生成する。企業のFAQデータをシステムプロンプトに含めることで、特定のドメインに特化した応答が可能になる。

import anthropic

claude = anthropic.Anthropic()

FAQ_DATA = """
Q: 営業時間は？
A: 平日9:00〜18:00です。土日祝日は休業です。

Q: 返品はできますか？
A: 購入後7日以内、未使用品に限り返品可能です。

Q: 配送にかかる日数は？
A: 通常2〜3営業日でお届けします。
"""

def generate_response(user_text: str, conversation_history: list):
    """FAQデータを参照して応答を生成"""
    conversation_history.append({
        "role": "user",
        "content": user_text,
    })

    response = claude.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=500,
        system=f"""あなたは企業のカスタマーサポート担当です。
以下のFAQを参考に、丁寧かつ簡潔に回答してください。
FAQにない質問には「担当者におつなぎします」と回答してください。

{FAQ_DATA}""",
        messages=conversation_history,
    )

    assistant_text = response.content[0].text
    conversation_history.append({
        "role": "assistant",
        "content": assistant_text,
    })
    return assistant_text

ステップ3: 音声合成で応答を読み上げ

テキスト応答を音声に変換してユーザーに返す。

def text_to_speech(text: str, output_path="response.mp3"):
    """OpenAI TTSで音声を生成"""
    response = client.audio.speech.create(
        model="tts-1",
        voice="nova",  # 日本語に適した声質
        input=text,
    )
    response.stream_to_file(output_path)
    return output_path

企業への提案と案件獲得

ターゲット企業の見つけ方

音声AIの導入ニーズが高い企業には共通した特徴がある。

1. コールセンター運営企業: 人件費削減圧力が常にある
2. 医療・歯科クリニック: 予約電話の対応負担が大きい
3. 不動産会社: 物件問い合わせの一次対応を自動化したい
4. 飲食チェーン: 予約受付の自動化ニーズ
5. ECショップ: 注文状況や返品対応の自動化

提案書に含めるべき要素

• 現状の課題: 月間のコール件数と対応コスト
• 導入後の効果: 自動応答率の目標（最初は40〜60%が現実的）
• デモ動画: 実際に動く音声Botのデモを5分程度用意
• 段階的な導入プラン: 最初はFAQ対応のみ、後から予約受付を追加
• 月額保守の提案: 応答精度の改善とFAQ更新の保守契約

デモの作り方

案件獲得で最も効果的なのは、動くデモを見せることだ。架空の企業（例: カフェの予約Bot）を想定した音声アシスタントを事前に構築しておき、商談時にスマートフォンから実際に電話をかけて見せる。

品質向上のための運用ポイント

認識精度の改善

• ノイズが多い環境では認識精度が下がるため、ノイズキャンセル処理を前段に入れる
• 業界固有の用語（商品名、社内用語等）はWhisperのpromptパラメータにヒントとして渡す
• 認識結果のログを蓄積し、誤認識パターンを分析する

応答品質の改善

• 実際のコールログを分析し、FAQデータを定期的に更新する
• 「担当者につなぐ」判定の閾値を調整し、過度な自動応答を防ぐ
• 応答が長すぎると電話では聞き取りにくいため、1回の応答は3文以内に制限する

コスト構造と利益率

1回の通話（平均30秒の応答）あたりのAPI利用コスト:

• Whisper API: 約1円（30秒の音声）
• Claude API: 約2〜5円（1往復のやり取り）
• TTS API: 約1〜3円（応答の読み上げ）
• 合計: 約4〜9円/通話

月間1,000通話を処理する場合、ランニングコストは月4,000〜9,000円。クライアントへの保守料金が月5〜15万円であれば、利益率は90%以上になる。

まとめ：高単価×ストック型の理想的な収益モデル

音声アシスタント開発は、初期開発の受注（50〜300万円）と月額保守契約（5〜15万円）の両方で収益を得られる。技術的な参入障壁が高い分、競合が少なく、一度構築すれば長期的な関係を築きやすい。まずは架空企業のデモBotを作り、それを営業ツールとして実案件を獲得するのが最も効率的なスタートだ。

関連記事

• AIチャットボット開発で稼ぐ
• AI導入コンサルティングで月30万円
• AIマイクロSaaS収益戦略
• AIフリーランスのポートフォリオ戦略