気になるAIの話を、分かりやすく ｜ 最新動向を、現場目線で
2026年9月10日、OpenAIが音声モデル GPT-Live-1 を API で公開しました。前段の音声部分の価格は1分あたり0.05ドル。7月にChatGPTの中で動き始めたモデルが、自社のアプリや電話に組み込めるようになった、というのが各所の要約です。
ただ、公式ページと開発者向けドキュメントを突き合わせ、実際に自分のアカウントから叩いてみると、話はもう少し具体的になります。公開されたのは「ChatGPTの音声がAPIで使えるようになった」ことではなく、会話する層と、考える層を別々に選んで、別々に払う構造が開発者に開かれたことでした。そして「本日から利用可能」が自分にも当てはまるかは、自分の鍵で一度叩くまで分かりません。
この記事では4つを見ます。①何が公開されたのか ②CAGのアカウントで実際に叩いたら何が返ったか ③料金が「2階建て」であること ④既存のRealtime APIとの関係。最後に、導入を検討する前に確かめる項目をチェックリストにしました。
01 何が公開されたのか ──7月に「提供予定」と書いた欄が埋まった
CAGでは7月に、ChatGPTの音声機能の裏側で動き始めたGPT-Liveを解説しました。そのとき作った表に、埋められない欄が1つありました。
API｜提供予定（執筆時点で未提供）
今回、その欄が埋まりました。
関連記事 ｜ 7月に書いた、モデル側の解説GPT-Liveとは何か ──ChatGPTの音声が「話しながら裏で調べる」二層構造になった理由を解説
→
GPT-Live-1の特徴は、聞くことと話すことを同時に扱う点にあります。公式はこれを full duplex（全二重）と呼びます。電話のように、両側が同時に話せる状態です。従来の音声AIは「音声を文字にする → モデルが考える → 読み上げる」の3段を直列につないでいて、段の継ぎ目ごとに遅れと不安定さが生まれていました。
API版で新しく開いたのは、その先です。会話を担当するGPT-Live-1と、実際に調べたり処理したりするバックエンドのモデルを、開発者が別々に選べます。公式ドキュメントは前者を「会話」、後者を「委譲（delegation）」と呼び、委譲の方法を2つ用意しています。
| 委譲の方式 | 誰がバックエンドを動かすか | 指定できるモデル |
|---|---|---|
| Responses 委譲 | OpenAI側が管理して呼ぶ | GPT-5.6 Terra／GPT-5.6 Luna |
| クライアント委譲 | 自社のアプリが全部制御する | 任意（他社モデル・自社の仕組みでも可） |
公式ブログ本文は「高頻度の作業にはLuna、複雑な案件にはAstraのようなモデル」と書いていますが、開発者向けドキュメントの Responses 委譲で列挙されているのは Terra と Luna の2つだけでした。読む場所によって選択肢の広さが違って見えるので、実装前にドキュメント側を見ておきたいところです。
公式が数値で示している性能比較は、発表ページのグラフの中にあります。CAGが取り出せた2つを載せます[1]。
| Full Duplex Bench v3 | GPT-Live-1 | GPT-Realtime-2.1 | GPT-Realtime-2 |
|---|---|---|---|
| 道具の呼び出し（Pass@1） | 87.0% | 60.0% | 58.0% |
| 応答の質 | 90.0% | 88.0% | 81.0% |
いずれもバックエンドに Terra（思考の深さ low）を組んだ場合の数字だと、公式が図の下に注記しています。音声モデル単体の成績ではありません。
ほかに、選べる声が増えたこと、音声の書き起こしと応答テキストをモデルが自前で返すこと、そして電話（telephony）が公式の用途として明記されたことが挙げられています。
なお、セッションを開始したあとに変えられる設定は限られます。モデル・会話の指示・音声形式・声・委譲の方式は開始時に固定され、あとから変えられるのは Responses 委譲の中身だけです。方式を変えたければセッションを張り直すことになります。
02 自分のアカウントで叩いてみた ──「本日から利用可能」が拒否された
ここからはCAG自身の実測です。公式ブログには "available in the API today" とあり、日本語の報道も「提供開始」と書いています。そこで、CAGのOpenAIプロジェクトの鍵で順に叩きました。
最初に確認したのはモデル一覧です。GET /v1/models は200を返し、138件の中に gpt-live-1 が入っていました（同じ一覧に gpt-live-transcribe も見えます）。ここまでは「使える」と読めます。
次に、ドキュメントの手順どおり WebSocket で wss://api.openai.com/v1/live/sessions につなぎます。すると400が返りました。
実レスポンス（2026-09-12・CAG実測）
OpenAI-Alpha must be "quicksilver=v2" for /v1/live
このヘッダは、公式ドキュメントに一度も出てきません。 GPT-Live関連の5ページ（合計117KB）を取得して検索しましたが、OpenAI-Alpha も quicksilver も0件でした。公式のサンプルコードがOpenAI製SDKを使っていて、SDKが内部で付けているためです。生のWebSocketで組む場合だけ、書かれていない条件に当たります。
ヘッダを足して接続し直すと、今度はつながりました。そして最初のメッセージ session.start を送った直後に、これが返りました。
実レスポンス（2026-09-12・CAG実測）
live_api_access_denied
Your project does not have access to the Live API.
このプロジェクトは Live API を使えません。 鍵が悪いのか、Live だけが閉じているのかを切り分けるため、同じ鍵で対照を3つ取りました。
| 叩いたもの | 結果 |
|---|---|
Realtime API（gpt-realtime-2.1・WebSocket） | 通る（session.created を受信） |
POST /v1/realtime/client_secrets | HTTP 200 |
POST /v1/responses model=gpt-5.6-luna（GPT-Liveのバックエンドに指定するモデル） | HTTP 200・実際に回答を返した |
鍵は生きていて、既存の音声APIも、GPT-Liveのバックエンドに指定するモデルも動きます。閉じているのは音声の前段だけでした。
ここで、確定できることとできないことを分けておきます。確定できるのは「このプロジェクトでは拒否された」ことと、「モデル一覧に載っていることは、使える証拠にならない」ことの2つです。拒否の理由は確定できません。ティアなのか、組織の検証状態なのか、地域なのか、単に段階的な提供なのか、公式ドキュメントには条件の記載がありません（waitlist／allowlist／request access はいずれも0件）。したがって「誰も使えない」とは言えません。読者の環境では通るかもしれません。
言えるのは、ニュースを見て社内検討を始める前に、自分の鍵で一度叩いたほうが早い、ということです。
03 厄介なのは「拒否のされ方」 ──経路によって返るものが違う
権限が無いこと自体より、実装の現場で効いてくるのはこちらです。同じ「使えない」状態が、叩く経路によって別の顔で返ります。
| 叩いた経路 | 返ってきたもの |
|---|---|
| WebSocket（ヘッダなし） | 400・OpenAI-Alpha を要求される |
WebSocket（ヘッダ付き）→ session.start | live_api_access_denied（＝権限の問題だと分かる） |
REST POST /v1/live/sessions（transport 未指定） | 400 Only the webrtc transport is supported. |
| REST（webrtc＋不完全なSDP） | 400 Invalid SDP offer. |
REST経路では、入力の検証がアクセス権のチェックより手前にあります。つまり接続情報（SDP）の作り方を直し続けても、いつまでも invalid_offer が返るだけで、権限が無いという事実には一度も到達しません。「自社の環境が悪いのか、そもそも使えないのか」を判別できないまま、半日が溶ける形です。
なお、Alphaヘッダを要求するのは WebSocket 経路だけで、RESTは付けても付けなくても同じ応答でした。
04 料金は「2階建て」 ──1分0.05ドルは前段だけの値段
報道に出ている「1分0.05ドル」は、音声の前段だけの価格です。公式ドキュメントはこう書いています。
- 音声セッションは秒単位で課金される（分に切り上げない）
- 課金の対象には、利用者が話している時間・AIが話している時間・両方が黙っている時間・バックエンドが作業している時間が含まれる
- バックエンドのモデルのトークンと道具の利用は、音声とは別に課金される
- WebRTCでセッションを作ると、その時点で15秒ぶんの音声時間が課金される（走行中の課金に充当される）
公式が挙げている計算例は、90秒の会話 ＋ バックエンド0.02ドルで、合計0.095ドルです。
見積もりの観点で効くのは、黙っている時間も課金される点です。人間が考えている間も、AIが裏で調べている間も、秒が進みます。公式が費用の最適化として挙げている手も、そこを狙っています——先に文脈を渡してから会話を始める、道具の呼び出しを並列にする、長い作業に入るときはいったんセッションを閉じてバックエンドだけ走らせる。
実際の課金は session.usage.updated イベントと session.closed の最終値で取れます。ここは累積のスナップショットなので、足し合わせてはいけないとドキュメントに明記があります。
この章の数値について
04章の数値は公式ドキュメントの記載であり、CAG自身が課金を実測したものではありません（02章のとおり、セッションを張れなかったため）。
05 Realtime API は置き換えられていない ──別物で、作り直しが要る
「新しい音声APIが出た」と聞くと、既存の Realtime API の後継だと読みたくなります。実際は違いました。
まず、エンドポイントが別です。GPT-Liveは /v1/live/sessions、Realtimeは /v1/realtime。試しに Realtime のエンドポイントに gpt-live-1 を渡すと、明示的に拒否されました。
Model "gpt-live-1" is not supported in realtime mode.
実レスポンス（2026-09-12・CAG実測）
モデルのドキュメントにある対応表でも、GPT-Live-1 は Realtime エンドポイントが「非対応」になっています。設計思想も違います——Realtimeは1つのモデルが音声・推論・道具の選択をまとめて担い、GPT-Liveは会話と思考を分けて、思考を別のモデルに投げます。
移行ガイドには、Realtimeから移すときに変わる箇所が並んでいます。
| 変わるところ | 移行前（Realtime） | 移行後（GPT-Live） |
|---|---|---|
| 道具の定義場所 | session.tools | delegation.responses.tools |
| ターンの制御 | 手動で区切る | 手動制御は無くなる（話す時機はモデルが決める） |
| 書き起こし | 会話アイテム経由 | session.input_transcript.delta |
| 再生の完了 | response.output_audio.done | 再生は自分で追う |
つまり既存の音声実装は、そのまま乗り換えられません。そして、確認した範囲では、「新規に作るならどちらを選べ」という指針は公式に書かれていません（存在しないことを示すものではありません）。Realtimeが非推奨になったという記述もありませんでした。
判断の材料になるのは、用途のほうです。会話中に重い調べものが走る（在庫照会、予約確認、書類の検索）ならGPT-Live。短い一問一答で完結するならRealtimeで足ります。
06 電話の現場で何が変わるか
今回の発表で目を引くのは、電話が公式の用途として明記されたことです。公式ページは「レストランの予約からカスタマーサポートまで、電話向けの全二重の音声エージェント」と書いています。
導入事例も電話が中心でした。Yelpは予約と食事の注文を受ける電話にGPT-Live-1を組み込み、応答できた通話の割合が改善し、かけてきた人がより自然な長さの文で話すようになったと述べています。語学学習のSpeakは、割り込みが従来方式に比べて約8割減った——学習者が考える時間を、AIが奪わなくなったという意味です。
もう1件、実装側の数字が出ています。医療・住宅領域のAIを手がけるEliseAIの共同創業者兼CTO Tony Stoyanov氏のコメントです[2]。
従来の3段つなぎの構成と比べて、GPT-Live-1はコードベースを80%簡素化し、23,000行を削除した。
EliseAI 共同創業者兼CTO Tony Stoyanov 氏（OpenAI 公式ページ掲載のコメント・訳はCAG）
日本の中小企業に引きつけると、当たるのは予約の電話と受付です。混んでいる時間に鳴り続ける電話、聞き返しの多いやり取り、担当者が席を外している間の取りこぼし。全二重が効くのは、まさにそこです。
ただし、日本語で使う前提だと、今日すぐ置き換えられるかは別の話になります。話す言語そのものは指示文で決める方式で、公式のプロンプト指針も「話させたい言語で指示文を書け」とあります。問題は声のほうです。今回GPT-Live-1に追加された声は12種で、ドキュメントの一覧を数えると内訳は英語10・ポルトガル語2。地域性の内訳もオーストラリア、英国、アイルランド、北米、フィリピン、米国南部、ブラジルで、日本語向けの声は1つもありません。
公式は「声と言語の選択肢は今後数か月かけて広げる」と書いています。自社の録音から作る独自の声は別枠で、適格性の審査と申請が要ります。
07 まとめ ──検討を始める前に確かめる5つ
- 自分の鍵で叩く。モデル一覧に
gpt-live-1が載っていても、使えるとは限らない - 確かめるなら WebSocket で。REST経路は入力の検証が手前にあるので、権限の問題に到達しない
- 見積もりは2階建てで作る。1分0.05ドルは前段だけ。バックエンドのモデルと道具は別建てで、黙っている時間も秒課金される
- 既存の音声実装は乗り換えでなく作り直し。エンドポイントも道具の定義場所もターンの扱いも変わる
- 日本語で使うなら、声を確認する。追加された12種は英語10・ポルトガル語2で、日本語向けの声は無い
音声AIの評価軸は、「うまく喋れるか」から「待たせずに、裏で仕事をしていられるか」へ移りました。
| 従来の3段つなぎ | Realtime API | GPT-Live-1 | |
|---|---|---|---|
| 構成 | 文字起こし→考える→読み上げ | 1モデルで音声・推論・道具 | 会話層＋バックエンドを分離 |
| 話しながら聞く | できない | 区切りのある会話 | できる（全二重） |
| バックエンドの選択 | 自由（自分で全部組む） | 選べない | 選べる（Terra／Luna／自社） |
| 課金 | 各段で別々 | トークン課金 | 音声＝秒課金＋バックエンド別建て |
| 向く用途 | 要件が固定の定型応答 | 短い一問一答 | 会話中に重い処理が走るもの |
電話と受付の自動化を検討している方へ
電脳技巧集団（AI職人ギルド）は、AI駆動で業務システムと顧客対応の仕組みをつくっています。音声に限らず「どこまで任せて、どこから人が出るか」の線引きから相談できます。お問い合わせはこちら
出典・注記
- OpenAI「Build more natural voice experiences with GPT‑Live‑1 in the API」2026年9月10日。ベンチマークの数値は発表ページのグラフに含まれるもので、本文テキストには記載がない。CAGが取り出せたのは掲載7図のうち2図ぶん。
- 同上。引用者の所属は本文に記載がなく、引用カードのロゴ画像から特定した。
- OpenAI API ドキュメント「Getting started with GPT-Live」「Cost optimization」「Migrate to GPT-Live」「Delegation and tools」「Managing sessions」「WebSockets」、モデルページ「gpt-live-1」。
- gihyo.jp「OpenAI、GPT-Live-1をAPIで提供開始」2026年9月11日。
- CAG実測（2026年9月12日）＝ モデル一覧の取得、WebSocket・REST 両経路への接続、Realtime とバックエンドモデルによる対照の計9本。拒否の理由は公開情報から特定できないため、断定していない。
実測以外の数値・仕様はすべて公式の発表・ドキュメントに基づくもので、CAG自身が検証したものではありません。
