AI・生成AI OpenAI、音声モデル「GPT-Live-1.1」をAPIで提供開始。会話が止まっている間の料金を下げる「スタンバイ」も追加された OpenAIは2026年11月19日、音声モデル「GPT-Live-1.1」をAPIで提供開始したと、開発者向け変更履歴で発表した。多言語の音声会話で、発音、アクセントの一貫性、文字起こしが改善されたとしている。あわせて、GPT-Live-1とGPT-Live-1.1のWebRTCセッションに「スタンバイ」が追加され、無音の間は推論を止めて待機できるようになった。OpenAIの開発者向け案内では、通常時の料金は1分あたり0.05ドル、スタンバイ中は1分あたり0.02ドルとされている。GPT-Live-1.1は、ChatGPTの音声機能では2026年10月15日からPlusとPro向けに使われていたモデルで、今回それが開発者のアプリにも開かれた。
まず初めに
音声エージェントの料金は、話している時間ではなく「つながっている時間」で積み上がる。相手が考え込んで黙れば、その沈黙にも課金される。電話の保留音に金を払い続けるようなもので、地味だが確実に効くコストだった。今回の「スタンバイ」は、その沈黙の値段を下げる仕組みである。派手な知能の向上ではなく、請求書のほうを先に直してきた。実に実務的で、実にOpenAIらしくないほど地味で、そして開発者にとってはモデルの賢さより先に効く更新である。声の賢さはベンチマークで競うものだが、声の値段は財布が決める。
※個人の感想です
GPT-Liveとは――聞きながら話せる「全二重」の音声モデル
GPT-Liveは、音声の入力と出力を同時に扱える「全二重(full-duplex)」の音声モデル群です。相手の話を聞きながら話すことができ、会話の途中で割り込まれるようなやり取りにも対応する設計です。
APIでは、セッションは「/v1/live/sessions」という専用の経路で扱われます。音声モデルは聞くことと話すことを担い、より深い推論や道具の実行が必要な依頼は、開発者が選んだ別のバックエンドモデルへ委ねることができます。委ねる条件は、自然な言葉で説明して指定する形です。
料金の基本形は、2026年9月10日にGPT-Live-1がAPIで一般提供された時点で示されています。音声セッションは1分あたり0.05ドルで、秒単位で課金されます。バックエンドモデルや道具の利用は、別途課金の対象です。
スタンバイの料金を示す図解 編集部作成
1.1で何が変わったか
開発者向け変更履歴によると、GPT-Live-1.1は、多言語の音声会話における発音、アクセントの一貫性、文字起こしを改善しました。既存のLiveセッションの設定で、モデル名を「gpt-live-1.1」に変えて使います。
開発者向けの案内では、改善の中身として次の点が挙げられています。
多言語でのアクセントの一貫性:ドイツ語や日本語などで話している途中に、英語のアクセントへ寄っていくことが減った
細部の正確さ:つづりを読み上げた文字、電話番号、注文番号、確認コードのような、正確さが要る情報を扱う精度が上がった
指示への追従:複雑な作業をバックエンドへ委ねる場面でも、音声の会話を途切れさせずに進められるようになった
GPT-Live-1.1は、ChatGPTの音声機能では2026年10月15日から、PlusとProの利用者向けの既定の音声モデルとして使われていました。今回の提供開始で、同じモデルを開発者が自分のアプリやサービスに組み込めるようになりました。
あわせて、安全性の評価をまとめたシステムカードも2026年11月19日に更新され、API版の音声モデルの評価結果が表に追加されました。同カードでは、GPT-Live-1.1 APIは前世代と比べて、合成データによる8つの分類全てで数値が上回った、とされています。いずれも同社の評価です。
スタンバイ――沈黙の間の値段を下げる
今回あわせて追加されたのが「スタンバイ」です。GPT-Live-1とGPT-Live-1.1のWebRTCセッションで設定できます。
仕組みは、無音の時間を検知して推論を止める、というものです。アイドル状態の制限時間は5秒から60秒の間で設定できます。その時間を超えて沈黙が続くと、モデルは一時停止しますが、WebRTCの接続自体は開いたままになります。誰かが話し始めると、会話は再開します。
開発者向け案内では、料金は通常時が1分あたり0.05ドル、スタンバイ中が1分あたり0.02ドルとされています。10分間沈黙した場合の単純計算では、通常時のままなら0.50ドル、スタンバイなら0.20ドルです。音声エージェントは、相手の返事待ちや、バックエンドの処理待ちで沈黙する時間が長くなりがちなため、この差は稼働時間の長いサービスほど効きます。
なお、スタンバイが下げるのは音声セッション自体の料金です。バックエンドモデルや道具の利用料金は、従来どおり別に課金されます。
開発者が確認すべき点
移行にあたっての確認点は次のとおりです。
項目
内容
モデル名
既存のLiveセッション設定で「gpt-live-1.1」を指定
接続経路
/v1/live/sessions(従来のRealtime系とは別の経路)
スタンバイ
WebRTCセッションで設定可能。無音の制限時間は5〜60秒。GPT-Live-1でも利用できる
料金
音声セッションは通常時1分あたり0.05ドル、スタンバイ中は同0.02ドル(開発者向け案内)。バックエンド側は別料金
同時セッション数
モデルごとに上限が独立しているため、移行時は容量の見積もりが別途必要
音声エージェントを既に運用している場合は、まずスタンバイの有効化だけでも請求の形が変わります。モデルそのものの切り替えは、アクセントや文字起こしの挙動が言語ごとに変わるため、自分のサービスの主要言語で試してから判断するのが確実です。
IT Postの見方
IT Postでは、今回の更新の主役は、モデル本体よりも「スタンバイ」のほうだと考えます。音声AIの競争は、長らく「どれだけ自然に話せるか」で競われてきました。しかし実運用の現場では、自然さの次に来るのは常に請求書です。沈黙にまで通常料金がかかる設計は、受付や予約のような「待つ時間の長い」用途ほど不利に働きます。その不利を、モデルの改良ではなく料金の設計で埋めに来た点に、今回の更新の実務的な意味があります。
もう一つは、提供の順序です。まずChatGPTの音声機能で1か月使ってから、APIに開く。利用者の声で先に試し、開発者向けには実績のある状態で出す。この順序は、開発者にとっては「初物」のリスクが下がる出し方です。もっとも、改善の具体的な数値は公表されておらず、アクセントや正確さの向上は、自分の用途で測るまでは同社の説明として読むのが妥当だと考えます。
今後どうなりそうか
焦点は、音声エージェントの料金競争が「話す単価」から「待つ単価」へ広がるかどうかです。スタンバイのような待機料金の設計は、長時間つなぎっぱなしになる用途(受付、予約、サポート)で比較の軸になります。
開発者にとっての当面の確認点は、自分のセッションで沈黙がどの程度の割合を占めているかです。その割合が高いサービスほど、今回の変更の効果は大きくなります。逆に、短いやり取りが中心の用途では、モデル本体の改善のほうが効きます。どちらの効果が大きいかは、セッションの記録を見れば判断できます。