この記事のポイント
- GPT-Live 1は、話を聞きながら応答できる音声APIモデルです。
- 音声セッションは1分0.05ドルを秒単位で課金し、モデルやツールの費用は別です。
- 評価値はGPT-6 Astraとの組み合わせによる結果です。接続方式と実業務での性能を個別に確認しましょう。
OpenAIの公式発表から、音声アプリの構成と料金を紹介します。会話の自然さと、処理を完了させる仕組みを分けて整理します。
音声の会話と、応答後の作業を分けて考える
GPT-Live 1は、音声を聞きながら応答できるAPIモデルです。相手の発話への割り込みや会話の間にも対応し、音声アプリの会話を進めます。GPT-Live-1自体は「会話の進行」を担当し、深い推論や実際のツール操作は開発者が選んだバックエンドのモデル(発表では「GPT-6 Astra」との組み合わせ例)に任せる役割分担の設計です。
公表された評価値はGPT-6 Astra mediumと組み合わせた条件での結果です。別のモデルや実際の業務での性能を示すものではありません。
| 指標 | GPT-Live-1 | GPT-Realtime-2.1(旧モデル) |
|---|---|---|
| Tau3タスク完了率(初回成功) | 83.6% | 45.7% |
| ターンテイキング(会話の受け渡し)latency | 0.798秒 | 1.41秒 |
| Full Duplex Bench v3 ツール呼び出し成功率 | 87% | ―(公式発表に記載なし) |
Tau3は航空・小売・通信の顧客対応シナリオを想定したベンチマークで、実務寄りのタスクで大きく数値が伸びている点が目を引きます。声のバリエーションも12種類に拡張され、対応するアクセントや言語の幅も広がりました。システムプロンプトで話し方のトーンやペースを指定できる点も、業務用途では使い勝手を左右しそうです。
接続方式と料金を用途に合わせて選ぶ
接続にはWebRTC、WebSocket、電話向けSIPがあります。アプリの構成に合う方式を、ドキュメントはdevelopers.openai.comのRealtime APIガイドで公開されています。音声セッションは1分0.05ドルで、秒単位の課金です。バックエンドのモデルやツールの利用料は別にかかります。Codex SDKと組み合わせる構成も紹介されています。
出典・参考資料：OpenAI公式の発表記事。
まとめ:音声品質だけでなく完了率と費用を測る
音声アプリを作る方は、会話の自然さだけでなく、依頼を最後まで処理できるかを自社の業務で試すとよいでしょう。1回あたりの通話時間、バックエンドの利用料、担当者へ引き継ぐ条件を合わせて測ると、運用コストと品質を比較できます。
音声会話から連携アプリを操作する事例としては、ChatGPTの音声会話が連携アプリに対応した機能を解説した記事も参考になります。
電話応対をAIに任せる例としては、Pixel 11向けに提供が始まったGeminiの電話代行「Call for Me」もあります。
