GPT‑Live‑1がAPIに登場：音声AIは「順番待ち」から同時会話へ

まず日付を訂正すると、OpenAIがGPT‑Live‑1のAPI提供を発表したのは2026年9月11日ではなく9月10日です。GPT‑Live‑1は、音声エージェントが人間の会話に近いテンポで応答できるよう設計された、一般提供の全二重（full-duplex）音声レイヤーです。利用者の発話を聞きながら話すことができ、従来のように「相手が話し終えるまで待つ」前提の対話からの転換を目指しています。3

従来の音声AIと何が違うのか

従来の音声エージェントでは一般に、次の処理を連結します。

1. 音声をテキストに変換する音声認識（Speech-to-Text）
2. テキストを理解・推論する言語モデル
3. 応答テキストを音声に変換する音声合成（Text-to-Speech）

この方式では、処理の受け渡しごとに遅延が生じやすく、会話の間、タイミング、文脈やリズムが損なわれる場合があります。GPT‑Live‑1は、聞く・話す機能を一つの音声モデルに統合し、こうした分断を減らすアプローチです。3

割り込みや相づちに、その場で反応

GPT‑Live‑1は、利用者からの割り込みや相づちが入った際に、それを会話の最中に処理できます。一方で、より深い推論や外部ツールの利用は、ペアとなるバックエンドに任せる構成です。3

開発者は、OpenAIのGPT‑6 Astraのようなバックエンドモデル、またはサードパーティー製モデルを選べます。用途に応じ、推論能力、応答速度、コストのバランスを設計できるという位置付けです。3

OpenAIは開発者向け機能として、次の点も挙げています。3

• 話し方、速度、会話スタイルを指定するシステムプロンプト制御
• 電話回線を使うテレフォニー環境への展開
• 背景雑音や無音区間への対応
• 長時間セッションでの信頼性
• 文字起こしと応答テキストの取得
• 英数字の認識
• 特定キーワードを認識しやすくするキーワード・バイアス

料金：音声レイヤーは1分0.05米ドル、推論やツールは別

GPT‑Live‑1の音声セッションは、1分当たり0.05米ドルです。課金は分単位への切り上げではなく秒単位で行われます。2

ただし、この料金は音声レイヤー分です。バックエンドで使用するモデルの利用料やツール実行の料金は別途かかるため、実際の総コストは、選択するモデルとツール構成によって変わります。2

なお、提示された根拠資料では、管理型「Presence」に関するエンタープライズ向けアクセスの詳細や、アクセント・方言・対応言語が大幅に広がったという具体的な主張は確認できません。

OpenAIが示したベンチマークと導入事例

OpenAIによると、GPT‑Live‑1はGPT‑Realtime‑2.1比で「Full Duplex Bench」が30ポイント改善しました。また、GPT‑6 Astraを推論努力「medium」で組み合わせた構成は、Tau3で首位になったとしています。3

一方、1.41秒から0.798秒への遅延改善、Tau3の86.2％対45.7％といった個別の数値は、今回提示された根拠資料内では独自に確認できません。そのため、これらの詳細値は未検証として扱うべきです。

早期導入企業の例として、YelpはYelp HostとHatchへの統合後、以前の音声アーキテクチャーに比べて発話の順番の扱いと精度が向上したと説明しています。予約や料理注文の電話では、対応率に意味のある改善が見られ、利用者もより長く自然な発話をするようになったとしています。3

語学学習サービスのSpeakは、学習者が講師役AIの応答前に考える時間をより確保できるようになり、従来のターン制システムと比べて割り込みを約80％減らせたと報告しました。3

また、あるヘルスケア企業の共同創業者兼CTOは、カスケード型の実装を置き換えたことでコードベースを80％簡素化し、2万3,000行のコードを削除できたと述べています。これにより、患者とのリアルタイム会話をより自然にできたとしています。3

全二重の設計は、単に「音声を速く返す」ためのものではありません。会話中の重なり、ためらい、相づち、途中での訂正といった、人同士の対話で自然に起きる要素を扱うための基盤として、GPT‑Live‑1は位置付けられています。