GPT-Realtime-2とは？OpenAI 音声・翻訳・Whisper API 3モデルの料金・機能・競合比較【2026年10月】

GPT-Realtime-2（gpt-realtime-2）は、OpenAIが2026年5月7日にRealtime APIで公開した、推論の強さを指定できる音声対話モデルです。 2026年10月時点では、聞き取りや割り込みの扱いを改良した gpt-realtime-2.1 が同じ料金で出ており、新しく作るなら2.1、すでに2で動かしているならそのまま使い続けられます。

同じ日に、ライブ音声を別の言語に訳す gpt-realtime-translate と、話している途中から文字にする gpt-realtime-whisper も公開されました。その後、7月に文字起こしの新モデル（gpt-live-transcribe / gpt-transcribe）、9月に全二重の音声モデル GPT-Live 1 が出ています。さらに whisper-1 や旧 gpt-realtime の停止日も決まったため、モデルの選び方は5月の公開時から大きく変わりました。

この記事でわかること

• GPT-Realtime-2・translate・whisper の3モデルの役割と、後から出た 2.1 / 2.1-mini との違い
• トークン課金と分課金が混ざった料金体系と、月額の目安
• whisper-1・gpt-4o-transcribe・tts-1・旧 gpt-realtime の停止日と移行先
• Realtime API と GPT-Live のどちらで音声エージェントを作るかの判断ポイント
• Gemini Live・ElevenLabs などとの比較、日本語で使うときの注意、データの扱い

この記事が役に立つ人

音声のカスタマーサポート、電話の自動応答、通訳、ライブ字幕・議事録をAPIで作ろうとしているエンジニアやプロダクト担当の方に向けた内容です。gpt-4o-realtime-preview・gpt-realtime-1.5・whisper-1 からの移行を考えている開発者の方にも役立ちます。

用途ごとのおすすめ（2026年10月時点）

• 音声で会話し、ツールも呼ぶエージェント → 新規なら gpt-realtime-2.1。コストを抑えるなら gpt-realtime-2.1-mini。gpt-realtime-2 も現役で、料金は2.1と同じ
• ライブ通訳 → gpt-realtime-translate（$0.034/分、日本語への訳出に対応）
• ライブ字幕 → 公式ガイドが現在すすめているのは gpt-live-transcribe（$0.017/分）。gpt-realtime-whisper も同じ単価で現役
• 録音ファイルの文字起こし → gpt-transcribe（$0.0045/分）。whisper-1 は2027年2月26日に停止予定
• 今あるテキストのエージェントに声の窓口を付けたい → GPT-Live も候補（$0.05/分＋バックエンドの費用）

GPT-Realtime-2とは？3モデルの同時公開とRealtime APIのGA化

出典: GitHub - openai/openai-python

GPT-Realtime-2は、音声を受け取って音声で返す（speech-to-speech）OpenAIの音声対話モデルです。「音声→文字起こし→LLM→音声合成」と段階を分けず、1つのモデルが聞く・考える・話すを受け持ちます。OpenAIは公開時に「GPT-5クラスの推論を持つ音声モデル」と説明しました。

使えるのはAPI（Realtime API）だけです。ChatGPTアプリの音声モードとは別の製品なので、ChatGPTの有料プランを契約しても、このモデルを自分のサービスに組み込めるわけではありません。ChatGPT本体の機能はChatGPTとは、サブスクとAPI料金の違いはChatGPTの料金で整理しています。

2026年5月7日に公開された3モデルの役割は次のとおりです。

Realtime API はこの公開に合わせて一般提供（GA）版に移り、旧ベータ版（OpenAI-Beta: realtime=v1 ヘッダーで呼ぶ形式）は2026年5月12日に削除されました。ベータ版の書き方で作ったコードは、GA版の形式に直さないと動きません。

gpt-realtime-2 の基本スペック（OpenAI公式モデルページ）

利用ティアの呼び方は、現在の公式ページでは「Build / Launch / Grow」になっています。以前の Tier 1〜5 の表記で書かれた資料とは数字の対応が違うので、上限を見積もるときは公式ページの現行表記で確認してください。

旧モデルからの進化（gpt-realtime-1.5 → gpt-realtime-2）

出典: GitHub - openai/evals

GPT-Realtime-2は、gpt-4o-realtime-preview → gpt-realtime → gpt-realtime-1.5 と続いてきた音声対話モデルの新しい世代です。1.5からは、推論の強さ、扱える会話の長さ、待ち時間の見せ方が変わりました。

1. GPT-5級の推論を搭載

推論の強さを5段階で指定できるようになり、込み入った問い合わせでも筋道を立てて答えやすくなりました。公開時のOpenAI発表（DataCampなどの解説記事経由で確認）では、1.5と比べて次の数値が示されています。

どちらも英語中心の評価で、日本語の精度を示す公式の数値はまだ出ていません。改良版の2.1については、ベンチマークは公表されていません。

2. コンテキストウィンドウが32Kから128Kへ4倍に拡大

1.5の世代では32Kトークンだったコンテキストが128Kに広がりました。長い通話でも履歴を残しやすく、製品マニュアルや社内FAQを指示文に入れておく使い方もしやすくなっています。ただし、2.x系は session.update の truncation 指定に対応していないため、会話がさらに長くなる場合は conversation.item.truncate や conversation.item.delete で古いやりとりを自分で整理します（Microsoft Learn の 2.1 解説より）。

3. レイテンシと自然さの両立

推論の強さを上げるほど、最初の声が出るまでの時間と出力トークンが増えます。この待ち時間を感じさせないために、gpt-realtime-2 は「確認しますね」のような短い前置き（プリアンブル）を既定で話してから、考えたりツールを呼んだりします。

7月6日公開の2.1では、キャッシュの改善によって Realtime の音声モデル全体で p95 の遅延が少なくとも25%短くなったと公式に告知されています。速さを重視するなら、2より2.1を選ぶ理由になります。

2026年7月公開の後継 gpt-realtime-2.1 / 2.1-mini

出典: OpenAI Developers - Realtime API

2026年10月時点で新しく作るなら、gpt-realtime-2.1 を基本にするのが無難です。OpenAIのRealtimeガイドのサンプルコードは2.1で書かれていて、翻訳ガイドも「質問に答えてツールを呼ぶアシスタントなら gpt-realtime-2.1」と案内しています。gpt-realtime-2 自体の廃止告知は出ていません。

2から2.1への切り替えは、料金が同じなのでコスト面の心配はほぼありません。気をつけたいのは動きの変化です。2.x系は以前のモデルより指示を文字どおりに守る傾向があり、「注文番号」とだけ書くと、利用者が「受付番号」と言ったときに拾えないことがあります。開発者コミュニティには、2.1-mini でSIP経由のツール呼び出しが失敗し、旧 mini では動いたという報告も出ています。移行するときは、自社の指示文とツール呼び出しをテスト環境で一通り試してから本番を切り替えてください。

推論の強さの指定値は、OpenAIのプロンプトガイドでは gpt-realtime-2 で5段階（minimal〜xhigh）です。一方、Azure の 2.1 のドキュメントには minimal / low / medium / high の4つしか書かれておらず、2.1 で xhigh が使えるかは公式でまだ確認できていません。

Azure（Microsoft Foundry）でも、gpt-realtime-2.1 / 2.1-mini（バージョン 2026-07-07）が Global Standard と Data Zone Standard で提供されています。Azure経由の料金や日本リージョンで使えるかどうかは、Azure の料金ページとリージョン一覧で確認が必要です。

GPT-Realtime-2でできること（主な機能）

GPT-Realtime-2（と2.1）は、音声で会話しながら社内システムを動かす「業務エージェント」を作るための機能がそろっています。

5段階の推論強度（reasoning effort）

reasoning.effort で考える深さを指定します。上げるほど答えの質は上がりやすい一方、返答までの時間と出力トークン（＝費用）が増えます。OpenAIのプロンプトガイドは、本番の音声エージェントは low から始めて、必要な場面だけ上げるようすすめています。

パラレルツールコール

関数呼び出し（function calling）に対応し、公開時の発表では複数のツールを並行して呼べるとされました。在庫の確認と配送日の計算を同時に進めれば、利用者を待たせる時間が短くなります。MCP（Model Context Protocol）のリモートサーバーにも対応すると発表されており、社内システムとのつなぎ方はMCPとはで解説しています。

公式のプロンプトガイドは、ツールの扱いで次の点に注意するよう書いています。

• ツール一覧にないツールを指示文に書くと、存在しないツール名をでっち上げたり、操作したふりをしたりすることがある
• ツールを呼ぶのが早すぎる、失敗したあと同じ呼び出しを繰り返す、といった動きが起きることがある
• always / never / only / must のような強いルールを重ねると、ルール同士がぶつかる

割り込み復帰（interruption recovery）

モデルが考えている途中に利用者が話し始めると、その推論を捨てて新しいターンとして受け直します（Microsoft Learn）。「あ、やっぱり別の件で」と話が変わりやすい電話窓口で役に立つ機能です。2.1では割り込み時の動きがさらに改善されています。

プリアンブル発話

推論やツール実行の前に「ご注文を確認しますね」のような短い一言を話し、無言の時間を作らないようにする機能です。gpt-realtime-2 は既定で前置きを出します。応答には phase が付き、commentary が前置き、final_answer が最終回答です。画面に字幕を出すとき、前置きを表示するかどうかをこの値で分けられます。

トーン適応

指示文で話し方を指定すると、それに沿って声のトーンや速さを変えます。困っている利用者には落ち着いた口調で、手続きが終わったら明るめに、といった調整を指示文で書けます。

画像入力（gpt-realtime-2のみ）

5月公開の3モデルのうち、画像を入力できるのは gpt-realtime-2 だけです（2.1・2.1-mini も対応）。利用者が送ったエラー画面の写真を見ながら音声で手順を案内する、商品写真から在庫を探す、といった使い方ができます。動画の入力と画像の出力には対応していません。

新音声 Cedar / Marin

Realtime 向けの音声として cedar と marin が加わりました。2.1で使える音声は alloy / ash / ballad / coral / cedar / echo / marin / sage / shimmer / verse の10種です（Microsoft Learn）。独自のカスタム音声は、OpenAIが承認した顧客だけが使えます。日本語での声の自然さを示す公式資料はないため、業務で使う前に自社の台本で聞き比べてください。

GPT-Realtime-Translateでできること（リアルタイム音声翻訳）

gpt-realtime-translate は、話している音声を別の言語の音声と字幕にその場で訳す通訳専用のモデルです。会話の相手役ではないので、質問に答えたりツールを呼んだりはしません。

出力対応13言語に日本語が含まれる

OpenAI Cookbook の翻訳ガイドによると、入力は70以上の言語、出力は13言語です。出力に日本語が入っているので、「英語→日本語」「中国語→日本語」の通訳に使えます。

訳した音声は、元の話者の声のトーン・高さ・話し方に寄せて出力されます。話者が替われば訳の声も変わるため、会議で誰が話しているかを聞き分けやすくなります。

専用エンドポイントと音声仕様

• 接続先: Realtime translation（v1/realtime/translations）。WebSocket と WebRTC で使える
• WebSocket は 24kHz の PCM16 で音声をやりとりし、訳した音声は200msごとの小分けで返る
• 話し終わりを待たず、話している途中から訳を返す
• 原文の字幕（session.input_transcript.delta）と訳文の字幕（session.output_transcript.delta）を同時に受け取れる
• コンテキスト16,000トークン、最大出力2,000トークン
• レート制限（1分あたりの音声の分数）: Build 200／Launch 650／Grow 850

なお、ファイルを訳す旧 /v1/audio/translations は2027年2月26日に停止予定で、移行先としてこの v1/realtime/translations が案内されています。

gpt-realtime-translateの制約

• 通訳専用: ツール呼び出しや応答の生成はしない
• カスタマイズができない: 独自の指示文、用語集、読み方の指定、声の選択は非対応。社名や専門用語は事前に試して、誤訳の出方を確かめておく
• 出力言語と同じ言語の発話は訳されない: 無音になることがある
• 1セッション＝1つの出力言語: 会議で使うと、話す人の数×訳す言語の数だけセッションが要り、費用もその分かかる
• 切り方に注意: session.closed を待たずに接続を切ると、訳の最後の部分が失われる

GPT-Realtime-Whisperでできること（ストリーミング文字起こし）

出典: OpenAI Developers - Speech to text

gpt-realtime-whisper は、話している途中から文字起こしの差分を返すストリーミング音声認識モデルです。ライブ字幕や議事録、音声エージェントの聞き取り部分に使います。

主な用途

• 講演・配信・授業のライブ字幕
• 会議や商談のメモをその場で作る
• コールセンターの通話を、話しながらテキストで確認する

仕様と gpt-live-transcribe との関係

2026年10月時点の公式「Speech to text」「Realtime transcription」ガイドは、リアルタイム用途を「gpt-live-transcribe から始める」と案内していて、gpt-realtime-whisper は載っていません。モデルページと料金表には gpt-realtime-whisper が残っており、廃止の告知も出ていないので、今使っているなら急いで替える必要はありません。新しく作るなら、公式の手順に沿って進めやすい gpt-live-transcribe を選ぶほうが迷いにくいでしょう。ただし、OpenAIが gpt-live-transcribe を「後継」と明記した文言は確認できていません。

gpt-live-transcribe の遅延は audio.input.transcription.delay で minimal / low / medium / high / xhigh から選べ、大きくするほど精度が上がりやすくなります。社名や製品名はキーワードヒントに入れておくと、聞き間違いを減らしやすくなります。

gpt-realtime-whisper vs 既存Whisper API（バッチ処理）

ライブで字幕を出し、あとで録音を gpt-transcribe にかけて清書する、という2段構えにするとコストと精度の折り合いをつけやすくなります。どちらの方式でも、法的な記録や医療記録など誤りが許されない用途では、人の確認を最後に入れてください。

3モデルの料金まとめ（トークン課金と分課金が混在）

料金は、会話モデル（gpt-realtime-2 / 2.1 / 2.1-mini）がトークン課金、翻訳と文字起こしが音声の長さに応じた分課金です。どれもAPIの従量課金で、ChatGPTのサブスクとは別に請求されます。無料枠は公式ページでは確認できませんでした（GPT-Live は Free tier 非対応と明記）。

公式料金（2026年10月時点・OpenAI公式料金ページ）

会話モデル（100万トークンあたり・USD）

分課金のモデル（USD）

料金表を読むときは、次の点で見積もりが変わります。

• 2系は1.5よりテキスト出力だけ高い（$16→$24）。音声の単価は変わらない
• 推論のトークンは出力として課金されるため、reasoning.effort を上げると出力費が増える
• キャッシュ入力は音声入力の80分の1（$32→$0.40）。毎回同じ長い指示文を送る業務ほど効果が大きい
• データレジデンシー（地域を指定した処理）のエンドポイントは10%上乗せ（2026年3月5日以降に公開された対象モデル）

最新の金額は OpenAI API Pricing で確認してください。

現実的な3シナリオでのコスト試算

会話モデルは「1分の音声が何トークンになるか」で費用が変わりますが、OpenAIはこの換算値を公式にはっきり示していません。ここでの数字は前提を置いた目安で、実際の費用はPlaygroundや管理画面の使用量で測った値に置き換えてください。

① 音声カスタマーサポート（平均5分の通話×月1,000件＝5,000分）

次の表は、1通話で音声入力25,000トークン・音声出力25,000トークンを使うと仮定した場合（キャッシュなし、推論は軽め）の目安です。

GPT-Live は音声部分が分課金で、考える役は別のモデルが担うため、その分の費用が別にかかります。指示文のキャッシュが効けば、Realtime 側の入力費は大きく下がります。

② 同時通訳（gpt-realtime-translate / 30分×月20回＝600分）

• 600分×$0.034＝約$20.4/月（約3,100円）
• 日本語と英語の両方向に訳すなら、出力言語ごとにセッションが要るので約2倍

③ ライブ字幕（1日8時間×22営業日＝10,560分）

• gpt-live-transcribe または gpt-realtime-whisper: 10,560分×$0.017＝約$179.5/月（約2.7万円）
• 録音をあとで gpt-transcribe にかける場合: 10,560分×$0.0045＝約$47.5/月（約7,100円）

利用者が黙っている時間、ツールの呼び出し回数、推論の強さによって会話モデルの費用は大きく動きます。本番の前に小さく試して1通話あたりの実費を測り、OpenAIの管理画面で使用額の上限を設定しておくと安心です。

whisper-1・tts-1・旧gpt-realtimeを使っている場合の廃止スケジュールと移行先

出典: OpenAI Developers - Deprecations

2026年7月〜10月に、音声まわりの旧モデルの停止日がまとめて告知されました。今使っているモデルが表にあれば、停止日までに移行先へ切り替える必要があります（OpenAI公式の廃止ページ）。

2026年10月26日時点で、gpt-realtime-2・gpt-realtime-1.5・gpt-realtime-translate・gpt-realtime-whisper の廃止告知は出ていません。

移行でつまずきやすいのは、話者分離と音声合成です。

• 話者分離: gpt-4o-transcribe-diarize で話者を分けていた場合、リアルタイムの文字起こしセッションは話者分離に対応していません。gpt-transcribe で同じ処理ができるかは公式で確認できていないため、移行前に試すか、話者分離だけ別の仕組みにするかを決めておく必要があります
• 音声合成（tts-1）: 移行先が会話モデルの gpt-realtime-2.1-mini になるため、「文章を渡すと読み上げる」だけの使い方でも、呼び出し方と課金の仕組みが変わります

Realtime API と GPT-Live の使い分け

2026年9月10日に、全二重（聞きながら話せる）音声モデル GPT-Live 1 がAPIで一般提供になりました。OpenAI公式の「Voice agents」ガイドは、音声エージェントの作り方を3通りに分けて説明しています。

GPT-Live 1 は画像や動画の入力に対応しておらず、同時に開けるセッション数で上限が決まります（Build 50／Launch 300／Grow 500）。10月には、文章で声の特徴を書くと新しい声を作れる prompt-to-voice が全API顧客に開放され、日本語を含む GPT-Live の音声も追加されました。仕組みや料金の詳細はGPT-Liveとはにまとめています。音声に限らず、エージェント全体の考え方はAIエージェントとはが入口になります。

競合との価格・機能比較（ElevenLabs / Gemini Live / オープンウェイト音声モデル）

出典: GitHub - openai/openai-node

音声の単価だけを比べると、Google の Gemini Live のほうがかなり安くなっています。OpenAI を選ぶ理由は、推論の強さの指定、SIP での電話接続、OpenAIの他のAPIとまとめて使えることにあります。

音声AIサービス 機能・価格比較

Gemini の料金は Gemini API 公式料金ページ（2026年10月26日確認）の値です。ElevenLabs は資料によって金額が食い違っているため、具体的な単価は公式ページで確かめてください。Google の文字起こしはGemini 3.5 Transcribeとは、音声合成はGemini 3.8 Flash TTSとはとElevenLabs v3とはで詳しく扱っています。

用途別の選び方指針

gpt-realtime-2.1 / 2 が合う場面

• 推論を伴う業務エージェント（予約変更、トラブルの切り分け、在庫照会）を1つのモデルで作りたい
• SIP で今ある電話網とつなぎたい
• OpenAI の Agents SDK や Responses API で作った仕組みと同じ会社のAPIでそろえたい

Gemini Live が合う場面

• 音声の単価をできるだけ下げたい（音声単価はOpenAIの数分の1）
• 画面や映像を見ながら話す使い方を考えている

ElevenLabs が合う場面

• 声の質や声のクローンを最優先したい（キャラクター、ナレーション）

オープンウェイトのモデルが合う場面

• 音声データを外部のクラウドに送れない、自社のサーバーで動かしたい。全二重の音声モデルとしてはNemotron VoiceChatなどがある。Microsoft の全二重音声モデルはMAI-Realtimeとはで紹介している

用途別の選び方（どのモデルを選ぶべきか）

迷ったら、次の順に答えていくと使うモデルが決まります。

1. 音声で会話して、システムも動かしたいか？
   • はい・1つのモデルに任せたい → gpt-realtime-2.1（費用を抑えるなら 2.1-mini）
   • はい・今あるテキストのエージェントを活かしたい → GPT-Live 1
   • いいえ → 2へ
2. 音声を別の言語の音声に訳したいか？
   • はい → gpt-realtime-translate
   • いいえ → 3へ
3. 音声を文字にしたいか？
   • 話しながら字幕を出したい → gpt-live-transcribe（gpt-realtime-whisper も可）
   • 録音ファイルをあとで処理すれば足りる → gpt-transcribe

用途別おすすめ一覧

使い方（Playground・WebRTC・WebSocket・SIP）

GPT-Realtime-2 を含むモデルは、Playground・WebRTC・WebSocket・SIP のいずれかから使います。

1. Playground（試用・プロトタイピング）

OpenAI の Playground で、ブラウザから声で話しかけて試せます。声の聞き比べ、推論の強さによる返答の違い、関数呼び出しの動きを確かめるのに向いています。使った分はAPIの料金として請求されます。既定のモデルが gpt-realtime-2 のままになっていることがあるので、2.1を試すときはモデル名を確認してください。

2. WebRTC（ブラウザ・モバイル向け）

利用者がブラウザやスマホアプリから直接AIと話す形に向いています。APIキーをブラウザ側に置くのは危険なので、サーバーで短時間だけ有効な接続用のキーを発行し、それをブラウザに渡す作りにします。

3. WebSocket（サーバ向け）

サーバーから Realtime API につなぎ、音声を中継する形です。コールセンターのシステムや、LiveKit・Twilio などの通話基盤とつなぐときに使います。

セッション設定の例（WebSocket / gpt-realtime-2.1）

{
  "type": "session.update",
  "session": {
    "type": "realtime",
    "model": "gpt-realtime-2.1",
    "output_modalities": ["audio"],
    "instructions": "あなたは丁寧なカスタマーサポート担当です。日本語で、敬語で話してください。",
    "reasoning": { "effort": "low" },
    "audio": {
      "input": { "format": { "type": "audio/pcm", "rate": 24000 } },
      "output": { "voice": "marin" }
    },
    "tools": []
  }
}

GA版はベータ版と設定の形が違います（modalities → output_modalities、音声の形式や声は audio の下にまとめる、など）。項目名は版によって変わることがあるので、OpenAI Realtime ガイドのサンプルに合わせてください。翻訳の場合は接続先を v1/realtime/translations にして gpt-realtime-translate を指定します。実装の流れは OpenAI Cookbook の翻訳ガイドがいちばん確実です。

日本語で使うときの注意: OpenAIのプロンプトガイドに日本語専用の指針はなく、既定では英語で話し、利用者が頼んだときやまとまった量を別の言語で話したときに切り替える方針になっています。日本語の窓口にするなら、指示文に「日本語で話す」「敬語を使う」と明記し、多言語向けのテンプレートを日本語用に直して試してください。

4. SIP（電話網接続）

SIP で電話網とつなげば、今の電話番号にかかってきた電話をAIが受けられます。SIP トランクやPBXの設定が必要で、Twilio や Telnyx などの通信事業者のサービスと組み合わせるのが一般的です。電話の音声は帯域が狭いため、ブラウザ経由より聞き取りが落ちることがあります。注文番号や電話番号の聞き取りは2.1で改善されたので、電話用途では2.1を選ぶ理由になります。

エンタープライズ早期採用事例

5月の公開時、OpenAIは早くから使っていた企業の事例を紹介しました。次の表はその発表を報じた記事から拾ったもので、OpenAIの発表ページは今回直接確認できていません。

どれもベンダーの発表値で、自社で同じ効果が出るとは限りません。それでも、電話窓口や通訳のように「話す量が多く、手順が決まっている業務」から本番で使われ始めていることはわかります。

自社の予約システムや顧客データベースと音声エージェントをつなぐ場合は、モデルの料金とは別に、ツール連携の開発、通話基盤の設定、ログ管理の仕組みづくりに費用がかかります。新しいモデルを業務システムに組み込む方法と費用の目安は、AI開発の費用相場で、改修・PoC・本開発に分けて整理しています。

制約・見落としやすい点・運用上の注意点

本番で使う前に、できないことと運用で気をつける点を確認しておきましょう。

機能上の制約

gpt-realtime-2 / 2.1

• Realtime エンドポイント専用。Chat Completions・Responses・Batch では使えない（一部の解説記事に「Responses でも使える」とあるが、公式モデルページの記載と食い違う）
• Structured Outputs と Fine-tuning は非対応
• 画像は入力のみ。動画の入力と画像の出力はできない
• カスタム音声は承認済みの顧客だけ
• truncation 指定に未対応。長い会話の履歴は自分で整理する
• ナレッジカットオフは2024年9月30日。新しい情報はツールで補う
• 1セッションの最大時間やSIPの同時通話数の上限は、公式ドキュメントで確認が必要

gpt-realtime-translate

• 通訳専用。指示文・用語集・声の選択は使えない
• 出力は13言語のみ。それ以外の言語に訳すなら、文字起こし→翻訳→読み上げの3段構成が要る

gpt-realtime-whisper / gpt-live-transcribe

• 出力はテキストのみ
• 話者分離、単語ごとの時刻、信頼度、検出した言語は返らない

安全分類器（Active Safety Classifier）の存在

公開時の発表によると、Realtime のセッションでは有害な会話を見つけて止める仕組み（安全分類器）が動いています。正当な会話が誤って止められる可能性もあるため、本番では会話が途切れたときに人のオペレーターへつなぐ流れを用意しておきましょう。

日本語の品質は別に検証するのがおすすめ

公開されているベンチマークは英語中心で、日本語の精度を示す公式の数値はありません。敬語、固有名詞、数字の読み方、方言は、自社の実際の通話や台本で試してから判断してください。

コストを予測しにくいリスク

会話モデルはトークン課金のため、利用者が黙っている時間、長い指示文、推論の強さによって費用が読みにくくなります。high や xhigh では推論のトークンも出力として課金されます。PoCで1通話あたりの実費を測り、管理画面で使用額の上限を設定してください。

データの扱い（OpenAI公式「Your data」ページ）

• APIに送ったデータは、自分から許可しない限りモデルの学習には使われない
• 音声系の処理地域として選べるのは米国とEUだけで、日本国内での処理は選べない
• /v1/realtime のトレーシングは、現時点でEUのデータレジデンシーに対応していない

企業導入時の法務・運用チェックリスト

• 通話の相手に、AIが応対していることと録音していることを伝える
• 録音・文字起こしデータの保存期間と、海外（米国・EU）の委託先で処理されることを社内規程に書く
• 契約・返金・医療・法律・金融などの最終判断は人が行う流れにする
• 個人情報を含む会話ログと、運用のログを分けて保存する
• APIキーをブラウザやアプリに置かず、サーバーで接続用の短期キーを発行する
• 利用者ごとのIDをハッシュにして OpenAI-Safety-Identifier ヘッダーで渡し、不正利用があっても組織全体が止められないようにする
• カスタム音声や prompt-to-voice で実在の人に似た声を作る、通訳で話者の声に寄せる、といった使い方は声の権利とも関わる。日本では2026年8月に法務省が生成AIと声の権利に関する解釈指針を出している（AI音声と声の権利に関する法務省の指針）

こんな方におすすめ / おすすめしない方

gpt-realtime-2 が向いている方

• 音声のカスタマーサポートをAIにしたい: 推論・ツール呼び出し・割り込みへの対応がそろっている（新規なら2.1）
• すでに gpt-realtime-2 で動かしている: 料金は2.1と同じで廃止告知もないため、テストしてから切り替えればよい
• 電話の窓口を自動化したい: SIP で電話網とつなげる
• 長い通話を扱う: 128Kのコンテキストで履歴を残しやすい
• 写真を見ながら案内する窓口を作りたい: 画像入力に対応している

gpt-realtime-translate が向いている方

• 外国語の問い合わせを日本語で受けたい: 出力の13言語に日本語が入っている
• 講演や配信をライブで訳したい: 話している途中から訳した音声を返す
• 通訳だけを分単位のわかりやすい料金で使いたい

gpt-realtime-whisper が向いている方

• ライブ字幕・リアルタイム議事録: 話しながら文字が出る（新規なら gpt-live-transcribe も同額で候補）
• 通話をその場でテキストにして確認したい

おすすめしない方

• 好きな声を自由に作りたい: Realtime のカスタム音声は承認制。声づくりを重視するなら GPT-Live の prompt-to-voice や ElevenLabs を検討
• 話者を分けた議事録が必須: リアルタイムの文字起こしは話者分離に非対応
• 音声データを社外に出せない: クラウドAPI専用で、処理地域も米国・EUのみ。オープンウェイトのモデルを自社で動かすほうが合う
• Fine-tuning で専門分野に合わせたい: gpt-realtime 2.x は非対応
• とにかく音声の単価を下げたい: Gemini Live のほうが安い
• 1通話の費用をきっちり固定したい: トークン課金は読みにくい。分課金の GPT-Live や他社サービスのほうが見積もりやすい

よくある質問（FAQ）

Q1. GPT-Realtime-2は無料で使えますか？

公式の料金ページでは無料枠を確認できず、APIの従量課金です。Playgroundで試した分も料金がかかります。ChatGPTの有料プランを契約していても、APIの利用料は別に必要です。

Q2. 旧モデル gpt-realtime-1.5 はどうなりますか？

2026年10月26日時点で、gpt-realtime-1.5 の廃止告知は出ていません。ただし、名前の似た gpt-realtime（無印）と gpt-4o-realtime は2027年1月20日に停止予定で、移行先は gpt-realtime-2.1 です。1.5から2.xに移ると、指示を文字どおりに守る傾向が強まるため、指示文の見直しが要ることがあります。

Q3. gpt-realtime-translateは日本語に対応していますか？

はい。OpenAI Cookbook に載っている出力13言語に日本語が入っています。ただし用語集や読み方の指定ができないため、社名や業界用語は事前に試して、訳され方を確かめておく必要があります。

Q4. 既存Whisper APIは廃止になりますか？

はい。whisper-1 は2027年2月26日に停止予定です。同じ日に gpt-4o-transcribe・gpt-4o-mini-transcribe・gpt-4o-transcribe-diarize と、ファイル翻訳の /v1/audio/translations も止まります。録音ファイルなら gpt-transcribe（$0.0045/分）、ライブなら gpt-live-transcribe（$0.017/分）が公式の移行先です。

Q5. SIPで既存の電話番号と直接つなげますか？

つなげます。Realtime API は SIP に対応していて、SIP トランクやPBXの設定をすれば、今の電話番号でAIが応対できます。実際には Twilio や Telnyx などの通信事業者を間にはさむ構成が多く、設定方法は OpenAI Realtime ガイドで確認できます。

Q6. ElevenLabsと比べてどちらが安いですか？

ElevenLabs Agents の公式単価は資料によって食い違っていて、比べるには公式ページで最新額を確かめる必要があります。OpenAIの中で比べると、通訳（$0.034/分）と文字起こし（$0.017/分、ファイルは$0.0045/分）は分課金で見積もりやすく、会話モデルはトークン課金のため使い方で費用が大きく変わります。

Q7. Azure OpenAI経由でも使えますか？

使えます。Microsoft Foundry で gpt-realtime-2.1 と 2.1-mini（バージョン 2026-07-07）が提供されています。GA版の Realtime API は /openai/v1 の下にあり、api-version の指定は不要です。Azure経由の料金と日本リージョンでの提供状況は、Azure の公式ページで確認してください。

Q8. パラレルツールコールはどんな場面で役立ちますか？

「在庫を調べる」「配送日を計算する」「会員情報を引く」のように、互いに結果を待たなくてよい処理を同時に進めたい場面です。順に呼ぶより利用者の待ち時間が短くなります。前置きの一言（プリアンブル）と組み合わせると、裏で処理している間の無言をさらに減らせます。

Q9. gpt-realtime-miniというモデルもありますか？

あります。ただし gpt-realtime-mini と gpt-4o-mini-realtime は2027年1月20日に停止予定で、スナップショットの gpt-realtime-mini-2025-10-06 は2026年7月23日に止まりました。移行先は gpt-realtime-2.1-mini で、料金は gpt-realtime-mini と同じ（音声入力$10・音声出力$20／100万トークン）です。

Q10. gpt-realtime-2 と gpt-realtime-2.1 はどちらを使えばいいですか？

新しく作るなら2.1です。料金は同じで、英数字の聞き取り・雑音の扱い・割り込み時の動きが改善され、遅延も短くなっています。2で動いているシステムに廃止の期限はありませんが、切り替えるならテスト環境で指示文とツール呼び出しを確かめてからにしてください。

まとめ：GPT-Realtime-2と後継2.1で音声エージェントを本番に載せる

GPT-Realtime-2は、推論・ツール呼び出し・長いコンテキストを備えた、業務での利用を前提にした音声対話モデルです。2026年10月時点では、同じ料金の改良版 gpt-realtime-2.1 と、安い 2.1-mini が加わり、新しく作るなら2.1系が基本になっています。同時に公開された gpt-realtime-translate（日本語への訳出に対応）と gpt-realtime-whisper も現役で、文字起こしには gpt-live-transcribe・gpt-transcribe という選択肢も増えました。

導入前に決めておくこと

1. 用途で選ぶ: 会話して動かすなら gpt-realtime-2.1（安さ重視なら 2.1-mini、今あるエージェントを活かすなら GPT-Live）、通訳なら translate、ライブ字幕なら gpt-live-transcribe、録音なら gpt-transcribe
2. 停止日を確かめる: tts-1 は2027年1月6日、旧 gpt-realtime と gpt-realtime-mini は1月20日、whisper-1 と gpt-4o-transcribe は2月26日に止まる
3. 費用と運用を先に決める: 推論の強さ・キャッシュ・実測で費用を見積もり、AI応対の告知、人への引き継ぎ、ログの保存先（米国・EU）、声の権利まで含めてルールを作る

音声のモデルは数か月ごとに入れ替わっています。料金と仕様の最新値は OpenAI API Pricing とOpenAIの廃止予定ページで確認してください。

関連記事

• GPT-Liveとは
• AIエージェントとは
• MCPとは
• Gemini 3.5 Transcribeとは
• ElevenLabs v3とは
• MAI-Realtimeとは
• OpenAI × AWSパートナーシップ