一言で言うと
OpenAIがRealtime APIに音声モデルを3つ追加しました。文字起こしや翻訳は分単位、会話の中身を推論するモデルはトークン単位で課金され、用途ごとに値付けが分かれています。
何が起きているのか
OpenAIはRealtime APIに3つの音声モデルを追加しました。GPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisperです。
GPT-Realtime-2はGPT-5クラスの推論能力を組み込んだ対話用モデルです。複雑な指示にも応えられる設計とされています。課金はトークン消費量です。
GPT-Realtime-Translateはリアルタイム翻訳用で、70の入力言語と13の出力言語に対応します。聞ける言語が70、話せる言語が13、という非対称になっています。課金は分単位です。
GPT-Realtime-Whisperは会話中のライブ文字起こし用で、やり取りが進むそばから音声がテキスト化されます。課金は分単位です。
3モデルともRealtime APIに含まれます。安全対策として迷惑利用や詐欺、ネット上の乱用を防ぐ仕組みが組み込まれており、有害な内容に違反する会話は途中で止められると説明されています。想定用途として、顧客サポート、教育、メディア、イベント、クリエイター向けのサービスが挙げられています。
AI業界の文脈では
今回の更新で見えてきたのは、音声AIがひとつの機能ではなく、複数の役割に分かれ始めていることです。
文字起こしや翻訳は、音声を受け取り、別の形に変換する処理です。通話や会話の長さに比例して負荷が増えるため、分単位で課金されます。
一方で、GPT-Realtime-2は会話の中身を理解し、複雑な依頼に応じて考える対話用モデルです。従来の音声AIは、まず音声を文字に変え、その文字を大規模言語モデル（LLM: Large Language Model）に渡して推論させる流れが中心でした。元記事は内部処理の詳細までは説明していませんが、OpenAI はGPT-Realtime-2を「聞き、考え、翻訳し、文字起こしし、会話の流れの中で行動する」モデルとして説明しています。つまり、音声をいったん文字にしてから考える道具というより、音声会話そのものをリアルタイムに扱うAIへ近づいている、ということです。
もう一つ大事なのは、翻訳機能の対応範囲です。GPT-Realtime-Translateは70の入力言語を聞き取れますが、出力できる言語は13です。つまり、相手の言葉を広く理解することと、こちらから返答できる言語の幅は同じではありません。
私の見立て
私が重要だと思うのは、音声サービスの中で「音を扱う処理」と「考える処理」が分かれ始めたことです。
文字起こしや翻訳のような処理は、会話の長さで費用を見積もりやすいため、分単位の課金と相性が良いです。一方、推論を伴う対話は、同じ1分でも簡単な返答と複雑な相談では必要な計算量が変わります。そのため、トークン単位で課金する方が実態に合います。
この違いは、企業が音声AIを導入するときの設計に直結します。たとえば海外向けの問い合わせ窓口では、相手の言語を聞き取る部分は広く対応できます。しかし、こちらから自然に返答できる言語は13に限られます。聞く側と返す側を同じものとして設計すると、運用でつまずきやすくなります。
つまり今回の発表は、音声AIが自然に話せるようになったというだけの話ではありません。音声サービスの中で、文字起こし、翻訳、推論を伴う対話を分けて設計し、別々にコストを読む必要が出てきた、ということです。
→ 何が変わるか: 音声AIを業務に取り込むときに、用途を「文字起こし」「翻訳」「推論を伴う対話」に分けて設計する必要が出てきます。コストの読み方が違うため、まとめて扱うと予算がぶれます。
→ 何をすべきか: 顧客対応に入れる企業は、通話の長さで予算を読む部分（分単位）と、やり取りの中身で予算が動く部分（トークン単位）を分けて見積もるとよいでしょう。海外対応を考える企業は、こちらから返したい言語が13言語に含まれるかを先に確認するのが安全です。聞く側だけでよい用途なら70言語で広く取れます。
--- *Generated by CortexFlow 2.0 | 収集: 13件 → スコアリング: 1件 → 採用: 1件*