チャエン

株式会社デジライズ 代表取締役

チャエン

OpenAIの音声モデル「GPT-Live-1.1」がAPIで使えるようになりました*1。10月15日公開のシステムカードによると、ChatGPTではPlus以上のプランの標準の音声モデルとして使われており、11月19日にはシステムカードへAPI版の評価が追加されました*2。開発者が自社のアプリや電話窓口に組み込めるようになった形です。料金は会話している時間1分あたり0.05ドルで、前のGPT-Live-1と同じ水準に据え置かれています*1*6。

私も早速試しましたが、話し方の自然さはElevenLabsなど他社の音声エージェントと比べても一番だと感じました。ただ料金はGoogleのGemini 3.8 Liveより高く、使う量が多いほど差が開きます。先に結論を言うと、声の品質が顧客体験に直結する窓口や接客ではGPT-Live-1.1、通話量が多くコストを抑えたい用途ではGemini 3.8 Liveと、用途で選び分けるのが現実的です。

この話題は、私もXで紹介しました。


今なら、生成AIの基礎知識から社内導入の6ステップ・定着のポイントまでを1冊にまとめた「はじめての生成AI社内導入ガイド」を無料で配布中!何から始めればいいか分からない方でも、これ1冊で導入の流れがつかめます。

GPT-Live-1.1とは|聞きながら話せる全二重の音声モデル

GPT-Live-1.1は、相手の声を聞きながら同時に話せる「全二重」の音声モデルです*1。従来の音声AIは「相手が話し終わる→AIが答える」の順番を守る必要がありましたが、GPT-Liveは話の途中で割り込まれても聞き取り、言い直しや補足にそのまま対応できます。人と電話で話す感覚に近いのが特徴です。

もう一つの特徴が「委任(デリゲーション)」です。GPT-Liveは聞く・話すを受け持つ音声モデルと、考える・調べるを受け持つバックエンドのモデルの2つで動く仕組みになっています*2。難しい質問や社内システムの照会は裏側のモデルに渡し、音声モデルは会話をつなぎながら結果を待つという分担です。

項目内容
モデルIDgpt-live-1.1
種類全二重の音声モデル(聞きながら話せる)
入力・出力音声とテキスト(画像・動画は非対応)
エンドポイントLive(v1/live/sessions)のみ。Chat CompletionsやRealtimeでは使えない
API料金会話中1分0.05ドル、待機中1分0.02ドル(裏側のモデル・ツール代は別)
対応機能ストリーミング、関数呼び出し
非対応ファインチューニング
ChatGPTでの提供Plus以上の標準モデル。ほかのユーザーにはGPT-Live-1.1 Quip

表の通り、GPT-Live-1.1は専用のLiveエンドポイントからしか呼べません*1。これまでRealtime APIで音声アプリを作っていた場合、モデル名を書き換えるだけでは移れない点に注意が必要です。

GPT-Live-1からの変更点

OpenAIのモデルページでは、前のGPT-Live-1と比べて次の2点が良くなったと説明されています*1。数値での比較は公開されていないため、自社の音声で試して確かめるのが確実です。

  • 聞き取りの精度 — 話した内容を文字に起こす精度が上がった
  • 言語をまたいだ声の安定 — 複数の言語で話しても、なまりや声の印象がぶれにくくなった

日本語で試した印象では、語尾や間の取り方がかなり自然になっています。言いよどみや相づちに対する反応も早く、「AIと話している」感覚が薄いのがGPT-Live-1.1の強みだと見ています。

前のモデルGPT-Live-1の実績

GPT-Liveシリーズ自体は2026年9月10日にAPIで公開されたGPT-Live-1が最初です*3。OpenAIは、GPT-Live-1とGPT-6 Astra(推論設定medium)を組み合わせた構成で、顧客対応タスクのベンチマークTau3の正答率が83.6%になり、前の音声モデルGPT-Realtime-2.1の45.7%を上回ったと発表しています*3。話者交代までの待ち時間も0.798秒と、GPT-Realtime-2.1の1.41秒から短くなりました*3。1.1はこの土台に、聞き取りと多言語の改善を加えた位置づけです。

GPT-Live-1.1の使い方|API接続とChatGPTでの試し方

まず手軽に体験したい場合は、ChatGPTの音声モードで試すのが早道です。Plus以上のプランなら標準でGPT-Live-1.1が使われ、それ以外のプランではGPT-Live-1.1 Quipが使われます*2。自社サービスに組み込む場合は、APIのLiveエンドポイントを使います。

APIでの接続方法

接続方法は用途に合わせて3つから選べます*3。ブラウザやスマホアプリならWebRTC、サーバー側で音声を扱うならWebSocket、電話窓口ならSIPという分け方です。

  • WebRTC — ブラウザ向け
  • WebSocket — サーバー側で音声を送受信する構成向け
  • 電話・SIP — コールセンターや予約受付など電話の自動応答向け

委任の2つの方式

裏側のモデルへの委任には2つの方式があります*3。手早さを取るか、データの管理を自社で握るかで選び分けます。

  • Responses委任 — OpenAIが裏側のモデルを動かし、GPT-Liveとの受け渡しも任せられる。手早く作りたいとき向け
  • クライアント委任 — 自社のモデルやエージェント、社内サービスをつなぐ方式

導入までの流れ

  1. 用途を決める — 電話窓口か、アプリ内の音声アシスタントかで接続方式が変わる
  2. 委任の方式を選ぶ — 社内データを扱うならクライアント委任を検討する
  3. 試作して声を確かめる — 実際の問い合わせ文や専門用語で聞き取りと発音を確認する
  4. 費用と同時接続数を見積もる — 月の通話分数と同時に受ける件数から上限を確認する

OpenAIのエージェント開発の基盤は、以下の記事で解説しています。GPT-Liveの裏側で動かすエージェントを考えるときの参考になります。

OpenAI Agents APIとは?DevDay 2026で加わったコンピューター操作とPlugin Extensionsを解説

OpenAI Agents APIとは?DevDay 2026で加わったコンピューター操作とPlugin Extensionsを解説

GPT-Live-1.1の料金|Gemini Live・ElevenLabsとの比較

ここからは主要な音声AIのAPI料金を、1分あたりで並べます。数字は各社の公式料金ページで確認したものです。課金の考え方が各社で違うため、表の下で前提も整理します。

サービス1分あたりの料金課金の考え方
GPT-Live-1.1(OpenAI)会話中0.05ドル/待機中0.02ドル接続している時間で課金。裏側のモデル代は別
Gemini 3.8 Live(Google)音声入力0.005ドル+音声出力0.018ドルトークン課金を1分あたりに換算した目安
ElevenLabs Agents0.08ドル通話時間で課金。LLM代は別

GPT-Live-1.1は会話中1分0.05ドル、推論を止めている待機中は1分0.02ドルです*1。前のGPT-Live-1では秒単位で課金され、1分未満の端数は切り上げられない仕組みです*6。Gemini 3.8 Liveは音声入力が100万トークンあたり3ドル(1分約0.005ドル)、音声出力が100万トークンあたり12ドル(1分約0.018ドル)です*4。ElevenLabs Agentsはプランに含まれる分を超えると1分0.08ドルで、LLMの利用料は別に請求されます*5。

1万分使った場合の試算

月に1万分(約167時間)の通話を処理する場合を試算しました。Geminiは入力と出力で単価が違うため、通話時間のうちAIが話す時間を半分(5,000分)と仮定しています。あくまで私の試算で、実際の金額は会話の長さや話す割合で変わります。

サービス計算1万分の目安
Gemini 3.8 Live入力1万分×0.005ドル+出力5,000分×0.018ドル約140ドル
GPT-Live-1.1会話中1万分×0.05ドル約500ドル
ElevenLabs Agents1万分×0.08ドル(LLM代は別)約800ドル+LLM代

Geminiは、AIがずっと話し続ける最も高い場合でも約230ドルです。GPT-Live-1.1はElevenLabs AgentsよりはLLM代を除いても安い計算になります。待機の時間が長い用途なら、GPT-Live-1.1の待機料金でさらに下げられます。

GPT-Live-1.1の0.05ドルも、ElevenLabsの0.08ドルも、裏側で動かす推論モデルの料金は含みません。複雑な質問を委任する回数が多いほど、表の金額に上乗せされる点に注意してください。

どれを選ぶかの考え方

  • GPT-Live-1.1 — 声の自然さと割り込みへの強さを重視する接客・営業・高単価サービスの窓口向け
  • Gemini 3.8 Live — 通話量が多く1件あたりのコストを抑えたい一次受付や社内ヘルプデスク向け
  • ElevenLabs Agents — 声の種類やブランドボイスを細かく作り込みたい場合や、好きなLLMを組み合わせたい場合向け

GoogleのLive系モデルの使い勝手は、以下の記事で解説しています。料金だけでなく、GmailやドキュメントとつながるGemini側の強みも比べると選びやすくなります。

Gemini 3.8 Liveが来た|Gmailやドキュメントの中でAIと「話しながら」仕事をする

Gemini 3.8 Liveが来た|Gmailやドキュメントの中でAIと「話しながら」仕事をする

音声AIを自社の電話窓口や業務システムに組み込みたい方へ。法人向けAIリスキリングサービスの導入社数No.1*の弊社デジライズが、AIコンサルティング&開発のサービス資料を無料でお送りしています。既製のAIサービスでは要件が満たせず、自社に合わせたシステム構築や環境の検討が必要な場合の進め方をまとめています。

※出典:株式会社東京商工リサーチ「法人向けリスキリングサービスに関する調査」(2026年5月/調査期間:2026年3月26日〜4月17日/調査方法:デスクリサーチおよびヒアリング/2026年3月末時点)

GPT-Live-1.1の活用事例|企業で向いている業務

GPT-Live-1.1が力を発揮するのは、相手の話を途中で受け止めながら会話を進める必要がある場面です。逆に、決まった案内を読み上げるだけの用途なら、より安い音声合成で足ります。私が考える使いどころを表にまとめました。

業務使い方の例GPT-Live-1.1が向く理由
予約・受付の電話飲食店や医療機関の予約変更を電話で受ける日時の言い直しや割り込みに自然に対応できる
カスタマーサポート注文状況を聞き、社内システムで確認して答える照会は裏側のモデルに委任し、会話はつないだまま待てる
営業・インサイドセールス資料請求後のフォロー電話の一次対応声の自然さが印象を左右する
多言語の窓口訪日客や海外拠点からの問い合わせ言語をまたいでも声とアクセントがぶれにくい
社内の音声アシスタント現場作業中にハンズフリーで手順を聞く手がふさがった状態でも話しながら操作できる

特に効果が大きいと見られるのは、カスタマーサポートのように「聞く→調べる→答える」がセットになった業務です。照会は裏側のモデルや社内システムに任せ、音声モデルは「お調べしますね」と会話をつなげるため、待たされている感じが出にくくなります。

向かない業務

  • 決まった文面の読み上げ — お知らせやナレーションは音声合成(TTS)の方が安く済む
  • 画像や画面を見ながらの対応 — GPT-Live-1.1は画像・動画の入力に対応していない

読み上げ中心の用途で使える音声合成は、以下の記事で解説しています。会話型のGPT-Liveと読み上げ型のTTSを組み合わせると、コストを抑えながら品質を保てます。

Gemini 3.8 Flash TTSを日本語で試した|料金・使い方と声の演じ分けを音声付きで検証

Gemini 3.8 Flash TTSを日本語で試した|料金・使い方と声の演じ分けを音声付きで検証

GPT-Live-1.1の注意点|安全性評価・同時接続・コスト管理

導入を決める前に、確認しておきたい点が3つあります。どれも本番運用に入ってから気づくと手戻りが大きいものです。

安全性評価の結果を把握する

OpenAIが公開したシステムカードでは、API版のGPT-Live-1.1は前のモデルと比べて、メンタルヘルスや自傷などの評価で数値が上がったとされています*2。一方でChatGPT向けのGPT-Live-1.1は、人工的に作った難しい音声テストの一部の項目で前のモデルより下がった結果も報告されています*2。また委任した処理には裏側のモデルの安全対策がそのまま適用され、裏側のモデルは開発者が選ぶため、委任した処理の安全性はそのモデルの対策に左右されます*2。

同時接続数の上限を確認する

GPT-Liveの利用上限はトークン数ではなく、同時に張れるセッションの数で決まります。前のGPT-Live-1では、Buildで50、Launchで300、Growで500の同時接続が上限で、無料の階層では使えません*6。GPT-Live-1.1はGPT-Live-1と別枠の上限が設定されるため*1、電話が集中する時間帯の件数と自社の上限を突き合わせておきましょう。

コストの見える化

  • 接続時間の管理 — 接続している時間で課金されるので、会話が終わったらすぐにセッションを閉じる設計にする
  • 待機料金の活用 — 保留や無音が長い用途ではWebRTCの待機料金で接続費を抑える
  • 委任の回数 — 裏側の推論モデルの料金が別にかかるため、委任する条件を絞る
  • 録音と個人情報 — 通話の文字起こしを保存する場合は、保存先と保存期間を社内規程で決める

裏側に置く推論モデルの処理の深さを調整すると、応答の速さと費用のバランスも変えられます。考え方は以下の記事で解説しています。

AIの「Effort」設定とは?ChatGPT・Claude・Copilot・Geminiで処理の深さを使い分ける方法

AIの「Effort」設定とは?ChatGPT・Claude・Copilot・Geminiで処理の深さを使い分ける方法

まとめ

  1. 仕組み — GPT-Live-1.1は聞きながら話せる全二重の音声モデルで、難しい処理は裏側のモデルに委任する
  2. 料金 — APIは会話中1分0.05ドル、待機中1分0.02ドルで、裏側のモデル代は別にかかる
  3. 比較 — 1万分の試算ではGemini 3.8 Liveが約140ドル、GPT-Live-1.1が約500ドル、ElevenLabs Agentsが約800ドル+LLM代
  4. 注意点 — 専用エンドポイントのみの対応、同時接続数の上限、安全性評価の結果を導入前に確認する

私のおすすめは、まず問い合わせの多い一つの窓口でGPT-Live-1.1とGemini 3.8 Liveを同じ台本で試し、声の印象と1件あたりの費用を並べて見ることです。お客様の満足度に直結する窓口ならGPT-Live-1.1の自然さは払う価値があると感じますし、社内向けや通話量の多い一次受付ならGeminiで十分な場面も多いはずです。音声AIは「どれが一番か」より「どの窓口に何を使うか」で考えると、費用対効果の高い導入になります。

参考資料

この記事の著者 / 編集者

チャエン

株式会社デジライズ 代表取締役

チャエン

法⼈向けのAI研修、及び企業向けChatGPTを開発する株式会社デジライズをはじめ、他数社の代表取締役。一般社団法人生成AI活用普及協会評議員を務めながら、GMO AI & Web3株式会社など他数社の顧問も兼任。NewsPicksプロピッカーも兼任。Twitterはフォロワー16万⼈。⽇本初AIツール検索サイト「AI Database」やAIとの英会話ができる「AI英会話」など複数のAIサービスも開発。ABEMAやTBSテレビなどメディア出演も多数。