音声AIの実用化フェーズが、いよいよ本格的に始まりつつある。Microsoft Foundryに、gpt-realtime-1.5 と gpt-audio-1.5 という2つの新しい音声特化モデルが追加された。低遅延・多言語対応・命令追従性の向上という3点セットで、これまで「技術デモ」の域を出なかったリアルタイム音声AIアプリケーションの実用展開を、一段と現実的な選択肢に押し上げている。

何が変わったのか：2モデルの役割分担

今回追加された2モデルはそれぞれ異なる用途に最適化されている。

gpt-realtime-1.5 は、名前の通りリアルタイム性を最優先した設計だ。音声入力から応答までの遅延を極限まで削ることを目指しており、コールセンターの自動応答、会議中のリアルタイム通訳補助、インタラクティブな音声アシスタントなど、「会話のテンポ」が体験品質を左右するシナリオ向けに作られている。

gpt-audio-1.5 は、音声の豊かな表現力と多言語対応にフォーカスしたモデルだ。命令追従性（instruction following）が向上しており、システムプロンプトで指示したキャラクター・トーン・話し方のスタイルをより忠実に再現できる。日本語をはじめとする多言語の自然さも改善されており、ナレーション生成、音声コンテンツ制作、教育系アプリへの応用が見込まれる。

両モデルに共通する強化点として、ツール呼び出し（Function Calling）との統合精度向上が挙げられる。音声で「明日の東京の天気を調べて」と言えば、外部APIを呼び出して回答するような音声エージェントの構築が、これまでより安定して動作するようになった。

なぜMicrosoft Foundryが重要か

これらのモデルが「Azure OpenAI」ではなく「Microsoft Foundry」というプラットフォームで提供されている点は見逃せない。Microsoft Foundryは、複数のAIモデルを統一的なインターフェースで扱い、エージェントとして組み合わせるための基盤だ。単にAPIを叩くだけでなく、プロンプト管理・評価・デプロイまでを一元管理できる。

Entra ID経由のアクセス制御、Azure Private Endpointによるネットワーク分離、コンプライアンス要件への対応――こうした「エンタープライズが安心して使うための環境」がすでに整っているのがAzure基盤の強みだ。音声AIという新しいモダリティを、ゼロから新しいセキュリティアーキテクチャを設計することなく既存の統制の傘の下で試せる。これは日本の大規模エンタープライズにとって、実は相当大きなアドバンテージである。

実務への影響：日本のエンジニア・IT管理者はどう動くか

すぐに試せること：

  • Microsoft Foundry のプレイグラウンドで gpt-realtime-1.5 の遅延感を体感する。音声AIのUX評価は「触って感じる」が最速の判断軸だ。
  • 既存のTeamsや社内ポータルへの音声アシスタント統合を検討しているチームは、Function Callingとの連携デモをPoC対象に加えると良い。既存のAPI資産をそのまま流用できる可能性が高い。
  • 多言語コールセンター（日英・日中など）の自動化を検討中の組織は、gpt-audio-1.5 の多言語性能を評価リストに入れるタイミングだ。

設計上の注意点：

リアルタイム音声はテキストと比べてレイテンシ要件が厳しく、ネットワーク品質が体験に直結する。Azure Regionsの選択（Japan East推奨）と、WebSocket接続の安定性確保は設計段階から織り込んでおく必要がある。また、音声データはプライバシーリスクが高いため、データ保持ポリシー（Zero Data Retention対応の確認）は必ず事前に確認すること。

筆者の見解

リアルタイム音声AIが「動くデモ」から「使えるプロダクト」に移行するためのハードルは、モデル性能だけではなかった。遅延、多言語品質、外部システムとの連携精度、そしてエンタープライズ水準のガバナンス――これらが同時に揃わないと、現場への導入判断が出ない。今回の2モデルは、その「同時に揃える」部分をかなり真剣に詰めてきた印象がある。

Microsoft Foundryというプラットフォームの方向性は、個人的に正しいと思っている。「どのAIモデルを使うか」という選択を抽象化し、エンタープライズが安全に動かせるインフラを提供する――この戦略は長期的に見て堅い。AIモデルそのものの最先端争いとは別の軸で、Microsoftが強みを発揮できる土俵だ。

一方で、音声AIの体験品質はまだ「すごいね」で終わりやすい段階にある。日本語の自然さ、感情表現の細かさ、長い文脈での一貫性――使い込むと気になる部分は依然として出てくる。それでも、コールセンター自動化や社内ヘルプデスクの音声対応など、「90点の品質でも十分価値がある」ユースケースは確実に存在する。そこを狙って実績を積み上げることが、今のエンジニアにとっての現実的な正解だろう。

情報を追い続けることよりも、自分の手で動かして成果を出す経験を積む――そのための素材として、今回のアップデートは十分に価値がある。まずは触ってみることをすすめたい。

出典: この記事は New Azure OpenAI models bring fast, expressive, and real-time AI experiences in Microsoft Foundry の内容をもとに、筆者の見解を加えて独自に執筆したものです。