OpenAIは2026年7月6日、音声対話やマルチモーダル体験を構築するための「Realtime API」向けに、新モデル「gpt-realtime-2.1」と、その低コスト版「gpt-realtime-2.1-mini」を公開した。両モデルとも、キャッシュ機構の改善によってp95レイテンシ（応答時間の95パーセンタイル値）を25%以上削減したほか、雑音への耐性、英数字の聞き取り精度、ユーザーが話に割り込んだ際の応答挙動を改善している。
Realtime APIとは何か
Realtime APIは、音声をテキストに変換せず音声のまま入出力する「Speech-to-Speech」型の低遅延対話APIだ。WebSocketなどでクライアントとモデルを直結し、コールセンターの自動応答、音声アシスタント、リアルタイム翻訳といった「人と話す」体験の基盤として使われている。今回のアップデートは、この音声対話の土台部分の改善にあたる。
何が変わったのか
上位モデルの「gpt-realtime-2.1」は、前世代の「GPT-Realtime-2」をベースに、型番・注文番号・住所読み上げなど英数字混じりの聞き取り精度、無音・雑音時の挙動、ユーザーが発話中に割り込んだ際の応答を改善した。推論の強度（reasoning effort）を設定できるほか、指示追従やツール呼び出しにも対応しており、複雑な音声エージェントのワークフローを組める。
一方の「gpt-realtime-2.1-mini」は、推論・ツール利用機能を備えながら、より高速・低コストに使える軽量版だ。特筆すべきは、従来のminiモデルと同水準の価格を維持しつつ機能を底上げしている点で、コストを据え置いたまま性能向上の恩恵を受けられる。
価格は次の通り（100万トークンあたり、単位はドル）。
| モデル | テキスト入力 | テキスト入力(キャッシュ) | テキスト出力 | 音声入力 | 音声入力(キャッシュ) | 音声出力 |
|---|---|---|---|---|---|---|
| gpt-realtime-2.1 | 4.00 | 0.40 | 24.00 | 32.00 | 0.40 | 64.00 |
| gpt-realtime-2.1-mini | 0.60 | 0.06 | 2.40 | 10.00 | 0.30 | 20.00 |
コミュニティは「差は小さい」との指摘も
OpenAIのコミュニティフォーラムでは早速検証も始まっている。あるユーザーは、知識カットオフ（2024年9月30日）、価格、レイテンシ、コンテキストウィンドウが旧「GPT-Realtime-2」とほぼ同一に見え、「現時点で大きな違いは感じられない」と指摘した。また公式のRealtime Playground（platform.openai.com/audio/realtime/edit）が、2.1が使えるようになった後もデフォルトでは旧モデルのままになっている点も報告されている。発表文の謳い文句をそのまま受け取らず、自分の用途で実測して効果を見極める姿勢が重要だ。
実務への影響
日本ではコールセンターやIVR（音声自動応答）に音声AIを組み込む動きがようやく広がり始めた段階の企業も多い。レイテンシ25%減は、音声対話における「間」の自然さに直結し、ユーザー体験の改善に直接効いてくる部分だ。またminiモデルが推論・ツール呼び出しに対応しつつ旧miniと同価格を維持している点は、コストを増やさずに機能を強化できるという意味で、導入のハードルを下げてくれる。
注意点として、現時点でAzure OpenAI Service経由での提供有無は明らかになっていない。エンタープライズ利用でAzure経由の調達を前提にしている場合は、Azure側での提供開始時期を注視しておきたい。乗り換えの際は、フォーラムで指摘されているような「実際のところどこまで変わったか」を、自社のトラフィックで計測してから切り替えるのが手堅い進め方だろう。
筆者の見解
音声インターフェースは、AIエージェントが人間の負担を減らす窓口として、今後さらに重みを増す領域だと見ている。画面を見て操作するという前提を外し、話しかけるだけでタスクが完結する体験は、目的を伝えれば自律的に動くタイプのエージェントとの相性が良い。レイテンシ25%減という数字は地味に映るかもしれないが、音声対話は「間」が不自然なだけで一気に興ざめする性質のものなので、体感としてはかなり本質的な改善のはずだ。
とはいえ、フォーラムで指摘されているように、見出しほど旧モデルとの差が大きくないという冷静な声も出ている。新しいモデル名が出るたびに飛びつくのではなく、自分のワークロードで実際に計測してから判断するほうが、結局のところ一番の近道だ。情報を追いかけることに時間を使うより、手元で試して成果につなげる経験を積むほうが今は正しい。
日本ではコールセンターや窓口業務の音声AI活用がこれからという現場もまだ多い。miniモデルが機能を落とさず低価格を維持しているのは、そうした現場が最初の一歩を踏み出す後押しになるはずだ。
出典: この記事は New Realtime models on the API: gpt-realtime-2.1 and gpt-realtime-2.1-mini 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。