OpenAI、音声会話モデル「GPT-Live-1.1」をAPI提供 無音時は「standby」で料金を抑制

OpenAIのロゴと、「音声会話モデルGPT-Live-1.1をAPI提供」という見出しのアイキャッチ
平山 大樹(AB通信 運営責任者)

平山 大樹 AB通信 運営責任者

AB通信 編集部が、企業・行政の公式発表や決算資料などの一次情報を確認して書いています。運営会社・編集方針

目次

この記事のポイント

  • OpenAIは日本時間2026年11月20日、音声で会話しながら聞き取れるモデル「GPT-Live-1.1」(モデル名 gpt-live-1.1)を、APIのLive(エンドポイント v1/live/sessions)で提供すると発表しました
  • 同じモデルは、ChatGPT PlusとProの音声機能では、2026年10月15日から使われていました(OpenAI Developersの公式発表と、ChatGPTの公式リリースノート)
  • 公式によると、前の版「GPT-Live-1」と比べ、多言語の会話で発音とアクセントの一貫性、文字起こしの正確さが向上しています。APIの声の一覧には、日本語の「Harema」「Shida」が掲載されています
  • WebRTCのセッションでは、新しい「standby」を使えます。入力・出力の文字起こしがない状態が5〜60秒(設定した秒数)続くと推論を一時停止し、料金は通常の1分あたり0.05ドルから、1分あたり0.02ドルになります。課金は秒単位です
  • 飲食店やクリニックの予約電話、通販の注文番号の確認など、相手が席や伝票を確認しているあいだの沈黙が多い受付業務で、待ち時間の料金を抑えつつ、名前や番号の聞き取りに使えます

OpenAIが、音声会話モデル「GPT-Live-1.1」をAPIで提供

OpenAI Developers(@OpenAIDevs、OpenAIの開発者向け公式アカウント)は、日本時間2026年11月20日5時ごろ、公式Xで、音声会話モデル「GPT-Live-1.1」がAPIで利用できるようになったと発表しました。公式の更新履歴(2026年11月19日付)でも、Changelogに同じ内容が載っています。

公式のモデル説明では、GPT-Live-1.1を「話しながら聞き取れる(フルデュプレックス)、多言語の会話向けの音声モデル」としています。前の版「GPT-Live-1」と比べ、話し言葉の文字起こしがより正確で、言語をまたいでもアクセントと声の一貫性を保ちやすい、と説明されています。

公式Xのスレッドでは、既存のLiveセッションの設定で gpt-live-1.1 を指定して使えること、複雑な作業は好みのバックエンドモデルに委任できること、文字や数字などの細かい内容の聞き取りと指示の実行がより確実になったことが案内されています。新しい発表のデモ動画では、アメリカ英語とフランス語、ドイツ語、韓国語での発音の違いが示されています。

OpenAI公式のデモ画面。アメリカ英語とフランス語で「croissant」の発音が分かれて示されている
公式デモより、同じ単語をアメリカ英語とフランス語で発音する例。出典:OpenAI Developers公式X(日本時間2026年11月20日)
OpenAI公式のデモ画面。アメリカ英語、フランス語、ドイツ語、韓国語の4つの声が並んでいる
公式デモより、複数の言語の声が並ぶ場面。出典:OpenAI Developers公式X(日本時間2026年11月20日)
OpenAI公式のデモ画面。アメリカ英語と韓国語で、韓国料理「トッポッキ」の発音が分かれて示されている
公式デモより、同じ料理名をアメリカ英語と韓国語で発音する例。出典:OpenAI Developers公式X(日本時間2026年11月20日)

ChatGPT PlusとProの音声では、10月15日から使われていた

公式Xのスレッドでは、「GPT-Live-1.1は、10月15日からChatGPT PlusとProの音声を動かしてきた。それが、アプリでも使えるようになった」と書かれています。ChatGPTの公式リリースノート(2026年10月15日付)でも、「GPT-Live-1.1」と、小型版の「GPT-Live-1.1 Quip」をChatGPT Voiceに順次入れ、言語をまたいだ自然なアクセントを改善した、と案内されています。

ChatGPT Voiceの公式ヘルプによると、Liveはプランによって「GPT-Live-1.1」または「GPT-Live-1.1 Quip」で動きます。チャットの音声(Voice in Chat)の利用時間は、直近24時間で数え、PlusはGPT-Live-1.1で3時間、月額100ドルのProは15時間、月額200ドルのProは上限なし(乱用防止の制限あり)です。無料プランはGPT-Live-1.1 Quipの限定利用、GoはQuipで3時間、と記載されています。使える機能は、プラン、ワークスペースの設定、地域、アプリの版などによって違う場合があります。

表:ChatGPT Voiceのプラン別の利用時間。Plusは3時間、Pro(100ドル)は15時間、Pro(200ドル)は上限なし、Goは3時間(Quip)
ChatGPT Voiceのプラン別の利用時間(直近24時間)。出典:OpenAI「ChatGPT Voice」ヘルプ。確認日は2026年11月20日(日本時間)。AB通信が表にまとめた

ChatGPT側の音声の更新内容は、AB通信の「ChatGPTの最新アップデート・更新履歴」でもまとめています。

料金と「standby」(無音時に推論を止める設定)

公式の料金ページとモデル説明によると、GPT-Liveの音声セッションは時間で課金され、秒単位で計算されます。GPT-Live-1.1とGPT-Live-1は同じ単価です。

  • 通常(Active):1分あたり0.05ドル
  • standby:1分あたり0.02ドル

バックエンドのモデルやツールの利用料は、これとは別にかかります。

OpenAI公式のモデル説明ページ。通常(Active)は1分0.05ドル、standbyは1分0.02ドル。エンドポイントはv1/live/sessions
公式のモデル説明より、通常(Active)1分0.05ドル、standby 1分0.02ドル。対象エンドポイントはLive(v1/live/sessions)。出典:OpenAI「GPT-Live-1.1」モデル説明(確認日は2026年11月20日、日本時間)

standbyは、公式ガイド「Configure standby」によると、WebRTCのセッション向けの設定です。セッション作成時に session.wake_policy.type を speech にすると、相手が話し始めるまで推論を始めません。session.idle_timeout_s に5から60の整数(秒)を入れると、入力・出力の文字起こしがない状態がその秒数続いたあと、推論を止めてstandbyに入ります。タイムアウトを省略すると、一度動き始めたあとは、セッションが終わるまで通常料金のままです。GPT-Live-1でも使えます。

standby中もマイクのトラックと接続、セッションIDは維持されます。相手が話し始めると、会話の履歴を残したまま再開します。公式ガイドでは、再開直後の短い発話への最初の応答が遅れる場合があると書かれています。より長い空白が予想され、接続を切ってもよい場合は、セッションを閉じて、戻ってきたときに新しく始める方法も案内されています。

OpenAI公式の図。約1分の通話で、standbyなしだと5.0セント、standbyありだと2.9セントになる例。無音のあいだは1分あたり2セントで60%安いと示されている
公式デモより、約1分のあいだに会話の空白がある場合の料金比較(standbyなし5.0セント、あり2.9セント)。出典:OpenAI Developers公式X(standbyの説明)(日本時間2026年11月20日)
グラフ:公式単価で、発話30%・standby 70%のときの通話5〜30分の料金を試算。standbyありなしを比較
公式の単価で、公式デモの約1分の例と同じ比率(発話30%・standby 70%)を当てはめた試算。バックエンドの利用料は含みません。出典:料金はOpenAIの料金ページ(Live session duration)、約1分の公式例はOpenAI Developers公式X(日本時間2026年11月20日)。試算はAB通信が作成

使えるエンドポイントと、日本語の声

公式の更新履歴は、GPT-Live-1.1の対象エンドポイントを Live(v1/live/sessions)としています。既存のLiveセッションの設定で、モデル名を gpt-live-1.1 にすれば使えます。2026年11月2日の更新履歴では、Live APIからSIP事業者経由で電話番号につなぐ発信(outbound SIP)が、すべての組織で使えるようになった、とも案内されています。電話の自動応答に使う場合は、利用している電話基盤とのつなぎ方を公式のSIPガイドで確認してください。

図:Live APIの構成。接続(WebRTC・WebSockets・SIP)、GPT-Liveが会話を担う、作業の委任、結果を口頭で返す、の順
Live APIの構成。会話はGPT-Live、調べものや予約処理はバックエンド。出典:OpenAI「Getting started with the Live API」、モデル説明、Changelog(2026年11月2日・19日)をもとにAB通信が作成

日本語について、公式のモデル説明は「多言語の会話向け」とし、言語をまたいでもアクセントと声の一貫性を保ちやすい、と書いています。セッション管理の公式ガイドの声の一覧には、日本語の声として「Harema」(女性的)と「Shida」(男性的)が掲載されています。ChatGPTの2026年10月15日のリリースノートでも、Liveの新しい声に日本語が含まれる、と案内されています(表示される声は地域やアカウントによって違う場合があります)。公式ドキュメントに、日本語の認識精度を数値で示した記載は見当たらないため、導入前に実際の予約内容や固有名詞で確認するのが安心です。

日本の予約電話・問い合わせ対応での使いどころ

公式が挙げる「文字や数字などの細かい内容を聞き取り、指示に従い、複雑な作業はバックエンドに渡す」という使い方は、日本の電話受付や予約案内と相性がよいです。

  • 飲食店やクリニックの予約電話。希望の日時と人数を聞き、名前の漢字や振り仮名、予約番号を復唱して確認する
  • 通販や宅配の問い合わせ。注文番号や伝票番号、郵便番号を聞き取り、バックエンドの注文システムで状況を調べて口頭で返す
  • コールセンターの一次受け。よくある案内は音声で答え、キャンセルや返金など判断が必要な話だけ担当者や業務システムに渡す
  • 相手がカレンダーや会員証を探しているあいだの沈黙。5〜60秒のstandbyを入れて、待ち時間の料金を抑える
図:予約電話でのGPT-Live-1.1の流れ。着信と用件の聞き取り、日時や名前の復唱、空き枠確認中のstandby、会話の再開、予約確定と確認番号の案内、の順
予約電話でのGPT-Live-1.1の流れ。空き枠を確認しているあいだの沈黙をstandbyにし、料金を抑える例。出典:OpenAI Developers公式X(日本時間2026年11月20日)およびAPIドキュメントをもとにAB通信が作成

出典

営業メールなし/無料

AI・SEOの動きは、
毎朝7時のメールで追いつける

平山 大樹(AB通信 運営責任者)

毎朝6時に私がピックアップしてます!

平山 大樹|AB通信 運営責任者

AB通信のメール配信イメージ

もうXを追いかけなくていい。前日にAB通信で公開したAI・SEOの新着記事を、朝のうちにまとめてお届けします。

毎朝7時ごろ、前日のAI・SEOの新着記事をメールでお届けします。

営業メールは送りません。無料で、配信はいつでも解除できます。
登録後に届く確認メールの「登録を確定する」ボタンで完了です(迷惑メールフォルダもご確認ください)。

目次