OpenAI の GPT-Live-1 が API に登場、1分あたり $0.05 で提供

OpenAI は 2026年9月10日に API で GPT‑Live‑1 を発表し、フロントエンドの音声レイヤーを開発者に 1分あたり $0.05 で提供するフルデュプレックス音声モデルを利用可能にしました。このリリースにより、ChatGPT Voice の背後にある会話システムがサードパーティアプリやビジネスワークフローへ拡張されます。

GPT‑Live‑1 は同時に聞き取りと発話が可能で、OpenAI は Codex や ChatGPT Work で示されたように、ペアリングされたモデルやツールにより高度な推論や操作を委任すると述べました。API リリースにあたり、同社は開発者がユーザーやワークフロー、目的に合わせて音声体験を制御・カスタマイズできる機能に重点を置いたと発表しています。

聞き取りと発話を同時に行う単一モデル

従来の音声エージェントは音声認識、推論モデル、音声合成を順に連結し、各ステップで遅延が生じ、タイミングやコンテキスト、会話の自然なリズムが失われやすくなります。GPT‑Live‑1 は単一のモデルで聞き取りと発話を同時に処理し、入出力の音声を同時に推論します。中断や応答をリアルタイムで処理しつつ、より高度な推論はバックエンドに委任するため、バックグラウンドで作業が進行しても会話が継続できます。

開発者は会話の背後にあるモデル、ツール、エージェントハーネスを選択できます。OpenAI は、スケジュール管理や注文更新といった大量処理には Luna のようなモデル、複雑な顧客問題には推論が必要な Astra のようなモデルと GPT‑Live‑1 を組み合わせる例を示しています。バックエンドはサードパーティのモデルでも構いません。システムプロンプトを通じて、エージェントのトーン、速度、会話スタイルを調整できます。

OpenAI は API リリースにおける追加の強みとして、すべてのステップを音声で説明せずに静かなコンテキスト管理とバックグラウンドノイズ処理、長時間セッション間でのコンテキスト保持、レストラン予約からカスタマーサポートまでの通話に対応するフルデュプレックス電話エージェント向けのテレフォニーサポートを挙げています。GPT‑Live‑1 は標準で ASR の文字起こしと応答テキストを提供し、キーワードバイアスや英数字の理解をサポートします。また、ターンベースのモデルではありませんが、ターン検出を標準で備えているため、開発者は明示的なターン境界に基づいて構築を続けられます。発表と共に公開されたコード例では、アプリケーションが会話コンテキストを Codex に渡し、Codex の回答をセッション中に GPT‑Live‑1 に返す様子が示されています。

報告された評価結果

OpenAI は、GPT‑Live‑1 が GPT‑Realtime‑2.1 に比べ Full Duplex Bench の性能を 30 ポイント向上させ、ターンテイクのレイテンシやインタラクティブな挙動で大幅な改善を示したと報告しています。また、適度な推論コストで GPT‑6 Astra と組み合わせた場合、エンドツーエンドタスクにおける最先端音声エージェント知能を測るベンチマーク Tau3 でトップ順位を獲得したと述べています。

Tau3（音声）インテリジェンスは、航空、リテール、通信分野の音声顧客サービスタスクを評価しますが、OpenAI が報告した Pass@1 のタスク成功率は GPT‑Live‑1 が 86.2%、GPT‑Realtime‑2.1 が 45.7%、GPT‑Realtime‑2 が 42.4% です。Tau Banking（音声）ナレッジは、97 件の銀行知識タスクの成功率で測定され、報告された数値はそれぞれ 32.0%、12.4%、10.3% です。

同社はまた、ポーズ処理、会話のターンテイク、中断、バックチャネルを評価する Artificial Analysis Conversational Dynamics において、GPT‑Live‑1 が 97.3%、GPT‑Realtime‑2.1 が 95.7%、GPT‑Realtime‑2 が 95.3% の平均スコアを記録したと報告しています。Full Duplex Bench v1.5 Interactivity では、バックグラウンド音声や他者への発話、リスナーのバックチャネル、中断への反応をテストし、スコアはそれぞれ 80.10%、45.4%、47.8% でした。Full Duplex Bench v1 のターンテイクレイテンシは、ユーザーがターンを終えた後にエージェントが応答を開始するまでの時間で、GPT‑Live‑1 が 0.798 秒、GPT‑Realtime‑2.1 が 1.41 秒、GPT‑Realtime‑2 が 1.63 秒です。Terra バックエンドで低推論コストで実行した Full Duplex Bench v3 では、ツール呼び出しの Pass@1 がそれぞれ 87.0%、60.0%、58.0%、応答品質が 90.0%、88.0%、81.0% と報告されています。

ChatGPT Voice から API へ

OpenAI は 2026年7月8日に、ChatGPT Voice を支える新世代のフルデュプレックス音声モデルとして GPT‑Live を発表し、同日に GPT‑Live‑1 と GPT‑Live‑1 mini を全世界の ChatGPT ユーザーに提供し、これらのモデルを API にも展開する計画を示しました。OpenAI は、GPT‑Live‑1 が Go、Plus、Pro ユーザー向けの ChatGPT Voice のデフォルトモデルとなり、GPT‑Live‑1 mini が無料ユーザー向けのデフォルトになると述べました。2026年7月31日のアップデートでは、ChatGPT Voice と OpenAI API を通じて生成された対応音声に SynthID の透かしが付加され、さらに OpenAI の公開検証ツールへの API アクセスが追加されました。

この発表は、企業向けに OpenAI Presence を案内しています。OpenAI は、GPT‑Live‑1 を活用して、質問に答え、問題を解決し、社内システムを利用し、承認された操作を実行し、必要に応じて人間にエスカレーションするエージェントのリアルタイム音声対話を実現すると述べました。OpenAI は 2026年7月22日に Presence を音声およびチャットワークフロー向けのエンタープライズ製品として導入し、OpenAI Forward Deployed Engineers と選定されたグローバルシステムインテグレーターが主導する限定的な一般提供プログラムを通じて、対象顧客に提供しています。

初期顧客と新たな音声

Yelp の最高技術責任者 Alex Levy は、Yelp Host と Hatch に GPT‑Live‑1 を導入したことで、同社の従来の音声アーキテクチャに比べてターンテイクと精度が向上し、予約やフードオーダーなどの電話に Yelp Host が応答する際の通話処理率が大幅に改善されたと述べました。「発信者はより完全で自然な文で話すようになり、電話の向こう側の体験が実際に異なると感じられます」と Levy は語っています。発表と共に公開されたデモでは、Yelp Host が予約を確保する間、GPT‑Live‑1 がバックグラウンドノイズや脇会話、中断を処理する様子が示されています。

Speak の共同創業者兼最高技術責任者 Andrew Hsu は、初期評価で GPT‑Live‑1 が学習者の思考中のポーズ時の中断を、Speak の Live Tutor Lessons における従来のターンベースシステムと比べて約 80% 削減したと述べました。Fin の最高執行責任者 Jordan Neil は、このモデルが AI 音声サポートを停止・開始のリズムから電話通話の自然な流れへと変え、顧客が一時停止や中断、方向転換を行えるようにし、Fin が独自のサポートシステムと会話を連携させて問題解決を支援すると語りました。Cognition の共同創業者兼最高プロダクト責任者 Walden Yan は、Cognition の AI エンジニア Devin と共に GPT‑Live‑1 を使用し、アイデアを語り合ったり、アプローチを検証したり、キーボードから離れた状態で作業を引き継いだりする様子を紹介しました。

OpenAI は、リアルタイム音声の少数セットから、アクセント、方言、言語を含むより幅広い選択肢へと拡大しており、開発者はアシスタントの音声をより自由に選べるようになると述べました。カスタム音声へのアクセスを希望する開発者は、OpenAI の営業部門に連絡し、利用資格と申請手順を確認する必要があります。同社は、今後数か月にわたり音声オプションと対応言語の拡充を継続すると発表しています。