何が違うのか
従来の音声ボットでは、音声認識、言語モデル、音声合成を順番につなぐ構成が一般的でした。話し終わりを待って文字へ変換し、回答をつくり、音声へ戻すため、段階ごとに遅延が積み上がります。相づちや言い直しを「次の質問」と誤認することもあります。
GPT-Live-1は、入力音声を聞きながら出力音声を生成するフルデュプレックス型です。OpenAIは、会話を担当するモデルと、検索・推論・ツール実行を担当するバックエンドを分けました。会話の表側が止まらず、裏側では別のモデルが作業を続ける構成です。
| 観点 | GPT-Live-1の役割 | バックエンドの役割 |
|---|---|---|
| 会話 | 音声を聞き、話し、割り込みを扱う | 必要な結果を返す |
| 思考 | 委譲するか判断する | 検索、推論、計算を進める |
| 操作 | 委譲イベントを出す | APIや業務ツールを実行する |
| 費用 | 会話時間で課金 | モデル、トークン、ツールごとに課金 |
この分離は「音声版の高性能LLMが一つ増えた」という話ではありません。受付、予約、学習支援など、人が話すテンポを守る層と、正確に仕事を終える層を別々に選べるようになった点が核心です。
料金の見方
GPT-Live-1の音声セッションは1分0.05ドルで、秒単位で請求されます。1分未満を1分へ切り上げる方式ではありません。モデルカタログでは無料利用枠をサポートせず、Tier 1は同時25セッション、Tier 5は同時500セッションと案内されています。
ただし、0.05ドルだけで通話全体の原価は決まりません。Responses APIへ委譲した処理には、選んだバックエンドモデルの入出力トークン、Web検索などのツール、外部サービスの費用が加わります。
| 月間利用例 | 音声層の概算 | 含まれないもの |
|---|---|---|
| 1,000分 | 50ドル | 推論、検索、電話回線 |
| 10,000分 | 500ドル | 推論、検索、電話回線 |
| 100,000分 | 5,000ドル | 推論、検索、電話回線 |
試算では「会話分数×0.05ドル」と「委譲率×1回当たりのバックエンド費用」を分けます。すべての発話を高価な推論モデルへ送ると、音声層よりバックエンドが大きな費目になりえます。予約確認は軽いモデル、規約判断は深い推論モデル、と仕事の難しさで分ける設計が現実的です。
仕組みと接続
公式APIリファレンスでは、POST /live/sessions でGPT-Live-1のセッションを作成します。ブラウザではWebRTCを使い、サーバー側で受け取ったSDP answerを設定します。開始イベントを確認してから会話や制御を進める流れです。
接続後の設計では、どの仕事を音声モデルだけで返し、何をバックエンドへ渡すかを決めます。OpenAI管理のResponses委譲を使う方法と、自社バックエンドで委譲イベントを処理する方法があります。
- 会話の目的、話し方、割り込み時の応答を指示する
- 予約検索や本人確認など、委譲する仕事を定義する
- バックエンドが使えるモデルとツールを限定する
- 進行中の処理を取り消す条件と、結果を読み上げる条件を決める
- セッション終了時の利用量と完了理由を記録する
注意したいのは、利用者が音声を遮ったことと、裏側の処理を取り消すことは同じではない点です。たとえば「やっぱり別の日」と言い直されたとき、古い予約検索を止めずに新しい検索を始めると、二つの結果が競合します。会話の自然さだけでなく、業務状態の取消ルールが必要です。
Realtimeとの違い
TechCreateでは2026年5月に、GPT-Realtime-2の音声APIを取り上げました。GPT-Realtimeはリアルタイムの音声入出力に加え、モデル自身の推論やツール利用を強めた系統です。GPT-Live-1は会話の重なり、間、割り込みを扱うフロント役に重点を置き、深い仕事を別モデルへ渡します。
| 選び方 | GPT-Live-1 | GPT-Realtime系 |
|---|---|---|
| 優先する体験 | 同時に聞き話す自然な会話 | 音声から直接、推論や操作を進める |
| 費用の軸 | 分単価＋バックエンド別料金 | 主に入出力トークンと構成ごとの料金 |
| モデル構成 | 会話層と推論層を分離 | 音声モデル側へ能力をまとめる |
| 向く場面 | 電話受付、語学練習、長い対話 | 複雑な音声タスク、既存Realtime実装 |
優劣ではなく、失敗させたくない部分で選びます。割り込みの誤判定が離脱につながるならGPT-Live-1を小さく試す価値があります。既存のRealtime実装が安定し、会話の重なりを必要としないなら、移行だけを目的に作り直す理由は薄いでしょう。
推論基盤の全体像は、OpenAI Agents APIの料金・使い方も参考になります。GPT-Live-1はエージェント本体の代わりではなく、エージェントへ声で出入りする層と考えると整理しやすくなります。
導入前の確認
OpenAIの発表では、従来のターン制システムとの初期評価で、語学サービスSpeakの割り込みが約80%減ったとされています。一方、これはOpenAIが紹介した顧客評価です。自社の言語、雑音、話者、回線、業務手順でも同じ改善になるとは限りません。
独立系評価サイトArtificial Analysisでは、音声モデルを会話の自然さや遅延などで比較しています。公開値を参考にしつつ、自社テストでは次の項目を同じ条件で測る必要があります。
- 日本語の言いよどみ、相づち、固有名詞を正しく扱えるか
- 割り込み後に古いバックエンド処理を停止できるか
- 1通話当たりの音声費用と委譲費用はいくらか
- 人間へ引き継ぐ条件が明確か
- 通話録音、文字起こし、個人情報の同意をどう得るか
対応するOpenAI生成音声には、来歴を示す不可聴のSynthID信号が含まれます。ただし、来歴信号は回答内容の正しさ、権利、利用文脈を保証しません。利用者へのAI音声である旨の説明、本人確認、誤操作を戻す導線は別に設計します。
最初の検証は、予約候補の読み上げや営業時間案内など、失敗しても確定操作にならない場面が向いています。自然に話せることと、安全に仕事を完了できることを、同じ指標にまとめないのがポイントです。
よくある疑問
GPT-Live-1を検討するとき、モデル名だけでは判断しにくい点があります。公式モデルカタログで確認できる範囲を整理します。
- 日本語専用モデルではありません。OpenAIは対応するアクセント、方言、言語の音声選択肢を広げたと説明していますが、すべての言語で同じ品質を保証していません。日本語では人名、住所、商品名、数字の読み上げを自社データで確認します。
- 画像と動画には対応しません。入力と出力はテキストと音声です。画面共有を前提にする案内なら、別の視覚モデルやアプリ側の状態管理を組み合わせます。
- Function callingはサポートしますが、Structured Outputsとファインチューニングはサポートしません。厳密なJSONだけを直接返させる設計より、バックエンド側で検証して業務APIへ渡すほうが安全です。
- GPT-Live-1だけで複雑な判断を完結させる必要はありません。音声層は対話の流れを保ち、深い推論や検索を委譲します。バックエンドにはOpenAIのモデルだけでなく、自社アプリが扱う処理も接続できます。
導入可否を決める最小単位は、モデル単体のデモではなく一本の業務フローです。「営業時間を聞く」「候補日を探す」「予約を確定する」を分け、どこまで自動化し、どこから確認を求めるかを先に決めます。そうすれば、自然な声に引っ張られず、失敗時の戻しやすさまで評価できます。
まとめ
- GPT-Live-1は、聞く・話すを同時に進める会話層と、推論・ツール実行を担うバックエンドを分離した音声モデルです。自然さだけでなく、処理の取消や状態管理まで設計する必要があります。
- 料金は音声層が1分0.05ドルですが、総費用にはバックエンドモデル、ツール、電話回線が加わります。会話分数と委譲率を分けた試算が導入判断に役立ちます。
- GPT-Realtimeから一律に移行するのではなく、割り込みの多い業務で小さく比較します。日本語、雑音、誤操作、人間への引き継ぎを自社条件で測ることが読者の持ち帰りです。
