Amazon Nova 2 Sonic: エンドツーエンド遅延500ms以下・音声遅延30ms以下の音声対音声基盤モデル

Amazon Web Servicesは2026年5月14日、Amazon Nova 2 Sonicを発表しました——Amazon Bedrockを通じて提供される第2世代の音声対音声基盤モデルです。新モデルは従来の音声エージェントスタックのパイプラインの複雑さを排除し、自然な人間の会話を可能にするしきい値以下に遅延ベンチマークを押し下げます。

Nova 2 Sonicは音声エージェントアーキテクチャをどう変えますか？

従来の音声エージェントスタックは3つの独立したサービスを使用します：音声認識（STT）、LLM推論、音声合成（TTS）。それぞれが遅延と障害点を追加します。Nova 2 Sonicは音声対音声基盤モデル——入力音声を直接理解して出力音声を生成し、STT/TTSレイヤーを排除します。結果としてエンドツーエンド遅延は「通常500ミリ秒以下」となります。

Amazonが具体的に公表する遅延値は？

Nova 2 Sonicを本番環境に位置づける3つの主要メトリクス：

• エンドツーエンド遅延：通常500ミリ秒以下
• 音声遅延：Streamエッジネットワーク経由で30ミリ秒以下
• ジョイン時間：接続確立時に500ms以下

これらのしきい値により「知覚可能な遅延のない自然な会話フロー」が実現します——会話相手はコミュニケーション品質を低下させる相互停止を感じません。

モデルが提供する機能は？

Nova 2 Sonicは1つのモデルで5つの能力を組み合わせます：

• 理解と推論を備えた音声対音声変換
• 音声境界と中断を識別する音声アクティビティ検出
• ユーザーが自然にエージェントを中断できる割り込みサポート
• API統合とバックエンドアクションのための会話中の関数呼び出し
• 完全な会話履歴を維持するコンテキスト認識

Stream Vision Agentsフレームワークは何を追加しますか？

Stream Vision Agentsフレームワークは双方向音声ストリーム管理の複雑さを抽象化します。従来のリクエスト・レスポンスパターンではなくイベント駆動の双方向ストリーミングAPIを使用し、開発チームが最小限のコードでプロダクショングレードの音声アプリケーションを構築できます。フレームワークは接続管理、ジッターバッファリング、パケットロスリカバリ、アダプティブビットレート圧縮を処理します。

このアプローチは、OpenAIリアルタイムAPI、ElevenLabs Conversational、Google Gemini Liveが主導するリアルタイム音声エージェント領域にAmazonを位置づけます。参入コストはBedrockエコシステムとの統合です——すでにAWS環境にいる顧客にとっては合理的なトレードオフです。