「ChatGPTの新しい音声会話を、自社のサービスに組み込めないか」。2026年7月にGPT-Liveが登場して以来、開発者や企業から最も多く寄せられた要望です。当初は「ChatGPT内のみ、APIは近日提供」という状態が続き、待ちの期間が2か月ありました。
その待ちが終わりました。2026年9月10日、OpenAIはGPT-Live-1のAPI提供を開始しました。人が話している途中でも聞き取り、割り込みや依頼の変更に応じる「聞きながら話す」音声エージェントを、自社のアプリや電話応対、受付システムに組み込めるようになっています。
この記事では、ChatGPTコンサル編集部が、GPT-Live APIの仕組み、料金と費用の目安、何が作れるか、従来のRealtime APIや文字起こし系APIとの使い分け、そして始め方と設計上の注意点を解説します。
⚠️ 本記事は2026年9月18日時点の情報です。API提供開始直後のため、料金・仕様・対応地域は今後変わる可能性があります。導入前にOpenAI公式の開発者向けドキュメントでご確認ください。性能数値の一部はOpenAIの発表によるものです。
結論｜GPT-Live APIの要点
| 項目 | 内容 |
|---|---|
| 提供開始 | 2026年9月10日 |
| モデル | GPT-Live-1（音声レイヤー） |
| 仕組み | 音声の聞き取りと発話をGPT-Live-1が担い、推論やツール呼び出しは開発者が選ぶバックエンドモデルに委ねる |
| 特徴 | 全二重（聞きながら話す）。発話中の割り込み、依頼の変更、処理中の会話継続に対応 |
| 料金 | 音声レイヤーが1分あたり0.05ドル（約7.7円）。バックエンドモデルの料金は別 |
| 応答の速さ | 応答開始まで約0.8秒（OpenAI発表） |
| 従来との関係 | ターン制のRealtime APIは継続。文字起こし系のTranscribe APIは別系統 |
一言でいえば、「ChatGPTの中でだけ使えた自然な音声会話が、自社製品に組み込める部品になった」ということです。
💬 さとしさん（編集長）
2か月の「近日提供」がようやく終わった。電話応対や受付の自動化を検討していた企業には、いよいよ実装フェーズだぞ！
提供までの経緯
GPT-Liveまわりは名前の似たものが複数あり、混乱しやすいので整理します。
- 2026年7月8日：ChatGPT向けにGPT-Liveを発表。APIは「近日提供」とし、通知の事前登録を受け付け
- 2026年7月29日：リアルタイム音声認識向けのGPT-Live-Transcribeと、非同期の文字起こし向けGPT-TranscribeをAPIで先行提供。これらは「聞き取って文字にする」モデルで、会話するモデルではない
- 2026年9月10日：会話モデルGPT-Live-1のAPI提供を開始
「GPT-Live」と名がつくAPIでも、Transcribe系は文字起こし、GPT-Live-1は会話です。用途に合わせて選んでください。
仕組み｜音声レイヤーとバックエンドの分離
GPT-Live APIの設計で最も重要なのが、役割の分離です。
| 役割 | 担当 |
|---|---|
| 音声を聞き取り、自然に発話する | GPT-Live-1（音声レイヤー） |
| 内容を理解し、考え、ツールを呼び出す | 開発者が選ぶバックエンドモデル（GPT-6 Astraなど） |
| 業務の手順や制約を管理する | 開発者が組むエージェントの仕組み |
GPT-Live-1は「会話の前面」を担当し、複雑な推論や外部システムの操作は後ろのモデルに委ねます。この分離により、用途に応じてバックエンドの賢さとコストを選べます。簡単な受付なら軽いモデル、複雑な対応なら上位モデル、という設計です。
全二重で何が変わるか
従来の音声対話は「ユーザーが話し終わる → AIが考える → AIが話す」というターン制でした。GPT-Live-1は、聞くことと話すことを同時に行います。
- ユーザーが話の途中で割り込んでも、止まって聞き直せる
- 話している最中に依頼の内容が変わっても、追従できる
- 後ろで処理が走っている間も、沈黙せずに会話を続けられる
電話応対を想像すると分かりやすいでしょう。「ちょっと待って、やっぱり〇〇で」と言われたときに、自然に対応できるかどうかが、実用性を分けます。
話し方の調整
声の調子や話す速さは、指示で調整できます。落ち着いたトーンの受付、テンポの良い案内、といった作り分けが可能です。
料金と費用の目安
料金は2層に分かれます。
- 音声レイヤー（GPT-Live-1）：1分あたり0.05ドル。1ドル150円換算で約7.5円
- バックエンドモデル：選んだモデルの通常のトークン課金
試算の例
1件5分の電話応対を、1日100件処理する場合の音声レイヤー分です。
- 1件：5分 × 0.05ドル ＝ 0.25ドル（約38円）
- 1日100件：25ドル（約3,750円）
- 月20営業日：500ドル（約7万5,000円）
これにバックエンドモデルの料金が加わります。軽量モデルなら数割増、上位モデルなら数倍になる可能性があるため、まず小規模で実測してください。
人が5分の電話を100件受ける人件費と比べれば、コストの桁が違うことは明らかです。ただし、後述するとおり、人への引き継ぎ設計を省くと、コスト以上の損失を生みます。
💬 あやさん（副編集長）
1分7〜8円という数字より、「人への引き継ぎをどう設計するか」のほうが導入の成否を分けるよ！
何が作れるか
GPT-Live APIで現実的に構築できるものです。
- 電話やアプリの音声応対：営業時間、予約、簡単な問い合わせへの一次対応
- 受付や案内：店舗、施設、イベントでの音声案内
- 社内のハンズフリー支援：作業中に声で手順を確認する、記録を残す
- 語学の会話練習サービス：割り込みや言い直しに対応できる練習相手
- 車載や家電の音声インターフェース：自然な会話で操作する
- 音声によるフォーム入力：対話で聞き取り、システムに登録する
共通するのは「人が話す途中で状況が変わる」場面です。ターン制では不自然だった対応が、全二重で実用的になります。
Realtime API・Transcribe APIとの使い分け
OpenAIの音声系APIは3系統になりました。
| API | 役割 | 向いている用途 |
|---|---|---|
| GPT-Live-1 API | 全二重の会話 | 割り込みや変更が起きる自然な対話 |
| Realtime API（gpt-realtime系） | ターン制の音声対話 | 明確な質問応答、既存の実装との互換 |
| GPT-Live-Transcribe / GPT-Transcribe | 音声認識、文字起こし | 会議の書き起こし、字幕、音声入力 |
すでにRealtime APIで構築済みのサービスがある場合、すぐに全面移行する必要はありません。「割り込み対応が課題になっている」部分から、GPT-Live-1に置き換えるのが現実的です。
始め方
- OpenAIの開発者向けサイトでアカウントを作り、支払い方法を登録して前払いする（ChatGPTの月額契約とは別）
- プロジェクトを作り、支出の上限を設定する
- APIキーを発行し、安全に保管する
- 公式の「Getting started with GPT-Live」ガイドに沿って、最小構成で音声の往復を動かす
- バックエンドモデルとツール呼び出しを追加し、自社の業務手順を組み込む
- 小規模な実運用で、応答の質、誤認識、コストを実測する
設計で先に決めること
- バックエンドモデルの選択：用途に対して過剰な賢さはコストの無駄。軽い用途は軽いモデルから
- 人への引き継ぎ：AIが判断できない、または顧客が人を求めた場合の経路を必ず用意する
- 会話の記録と確認：どの会話を記録し、誰が確認するか
- 対応範囲の限定：答えてよい範囲と、答えない範囲を指示に明記する
注意点
映像には対応していない
GPT-Live APIは音声の会話です。カメラや画面の映像を扱う仕組みではありません。ChatGPT側のGPT-Liveも、2026年9月時点でビデオ・画面共有は非対応です。
生成音声には電子透かしが入る
2026年7月末以降、GPT-Liveの生成音声にはAI生成であることを示す電子透かし（SynthID）が付与されています。「人が話しているように見せかける」用途には使えない設計です。利用者に対してもAIであることを明示する運用が、信頼の面でも法規制の面でも安全です。
録音と個人情報
音声応対では、顧客の声や個人情報を扱います。録音の同意、データの保持期間、OpenAIへ送られるデータの扱いを、プライバシーポリシーと社内ルールで先に決めてください。
誤認識と誤回答への備え
音声認識の誤りや、もっともらしい誤答は起こります。料金や契約に関わる内容は断定させず、人への引き継ぎを設計してください。
提供直後である
API提供は9月10日に始まったばかりです。仕様、料金、対応地域、上限は変わる可能性があります。本番投入の前に、公式ドキュメントで最新の条件を確認してください。
💬 さとしさん（編集長）
「AIだと明示する」「人に引き継げる」「録音の同意を取る」。この3つを外すと、便利な音声応対が信用問題に変わるぞ！
よくある質問（FAQ）
Q. GPT-Live APIはいつから使えますか？
A. 2026年9月10日から提供が始まっています。OpenAIの開発者向けサイトで利用できます。
Q. 料金はいくらですか？
A. 音声レイヤーが1分あたり0.05ドル（約7.5円）です。推論を担うバックエンドモデルの料金が別途かかります。
Q. ChatGPTのPlusに入っていれば使えますか？
A. 使えません。APIは別契約で、前払いの従量課金です。
Q. Realtime APIとの違いは何ですか？
A. Realtime APIはターン制、GPT-Live-1は聞きながら話す全二重です。割り込みや依頼の変更が起きる対話ではGPT-Live-1が向いています。
Q. カメラや画面共有は使えますか？
A. 使えません。GPT-Live APIは音声の会話に特化しており、映像には対応していません。
まとめ
GPT-Live APIについて、要点を整理します。
- 2026年9月10日にGPT-Live-1のAPI提供が開始。2か月の「近日提供」が終わった
- 仕組みは、音声レイヤーとバックエンドモデルの分離。会話の前面をGPT-Live-1が担い、推論は選んだモデルに委ねる
- 全二重により、割り込み、依頼の変更、処理中の会話継続に対応
- 料金は音声レイヤーが1分0.05ドル。バックエンドの料金は別で、小規模で実測する
- Realtime APIはターン制、Transcribe系は文字起こし。用途で使い分ける
- 映像は非対応、生成音声には電子透かし、録音の同意と人への引き継ぎが設計の前提
まずは公式ガイドに沿って、最小構成で「話しかけて、返事が来て、途中で割り込む」体験を動かしてみてください。それだけで、ターン制との違いと、自社のどの業務に使えるかが具体的に見えてきます。
💬 あやさん（副編集長）
最初の1本は「営業時間を答える」くらいの小さな応対で十分。割り込みに対応できる感覚を、まず自分で確かめてみよう！
生成AIの導入・活用でお困りではありませんか
ChatGPTやClaudeをはじめとした生成AIの活用を、研修とコンサルティングで支援しています。「音声応対の自動化を検討したい」「AIと人の引き継ぎ設計を整理したい」といったご相談も承っています。まだ情報収集の段階でも構いません。お気軽にお問い合わせください。
