Amazon Nova Sonic + WebRTC：Kinesis Video Streamsと非同期ツール呼び出しによるリアルタイム音声エージェントがRAG/MCPをサポートします

Amazon Web Servicesは2026年5月13日、Nova Sonicの音声対音声モデルとKinesis Video Streams WebRTCパイプラインを組み合わせたアーキテクチャを発表しました——MCPサーバーとRAGシステムへの非同期ツール呼び出しアプローチを持つリアルタイム音声エージェントアプリケーションの参照ブループリントです。

Nova SonicとWebRTCはどのように責任を分担しますか？

アーキテクチャはWebRTCストリームとNova Sonicモデルの間で「入出力イベントをオーケストレーション」する音声対音声イベントプロセッサーを導入します。通信はメディアイベント（WebRTC経由のオーディオ）とテキストデータ（データチャンネル経由）に分かれます。WebRTCはKinesis Video Streamsシグナリングチャンネルを通じてピアツーピアリンクを確立し、アダプティブビットレートコントロールと前方誤り訂正による双方向の音声/映像伝送を可能にします。

サーバー側VADは何に貢献しますか？

音声アクティビティ検出（VAD）はサーバー側でPythonのWebRTCVADライブラリを使用します。検出はストリームがNova Sonicに到達する前にノイズを抑制し、オーディオトークンボリュームを削減します。このアプローチには2つのメリットがあります：推論コストの削減（トークンが少ない = Bedrockの料金が低い）と、Nova Sonicが長い無音セグメントを処理する必要がないためのレイテンシー改善です。

Nova Sonicは会話中にどのようにツールを呼び出しますか？

Nova Sonicは音声セッション中にMCPサーバー・Strandsエージェント・RAGシステムへの非同期ツール呼び出しをサポートします。ユーザーは音声アシスタントとの会話中に「ガレージの現在の温度は？」と聞くことができ、エージェントはセンサーの読み取り値を返すMCPサーバーを並行して呼び出し、会話を中断しません。音声のレイテンシーバジェット（250〜500ミリ秒）が同期RAGルックアップの一時停止を許さないため、非同期アプローチが不可欠です。

最初のデモンストレーションのユースケースは何ですか？

AWSは2つのシナリオを示しています。スマートホーム：音声コマンドがMQTTプロトコルを通じてIoTデバイスを制御し、Amazon Bedrock Knowledge BaseとMCPサーバーと統合——エージェントはデバイスの状態を把握し制御できます。コネクテッドビークル：リアルタイムドライバー監視が携帯電話使用行動を検出し、音声アシスタントが独立した監視ストリームを通じて安全状態を確認——音声エージェントをエンターテインメントインターフェースではなく安全ツールに変えます。

WebRTCはメディアストリーミングプロトコル（RTMP・RTSP・HLS・MPEG-DASH）の中で最低レイテンシーを提供します——500ミリ秒を超える遅延が会話品質の知覚を低下させる音声エージェントにとって重要です。