OpenAIは2026年5月7日、APIに3つの音声モデルを追加したと発表しました。GPT-5クラスの推論能力を初めて備えた音声モデル「GPT-Realtime-2」、70以上の入力言語から13の出力言語へ話者のペースを保ったまま翻訳する「GPT-Realtime-Translate」、発話中にリアルタイムで文字起こしする「GPT-Realtime-Whisper」です。単純な応答の往復にとどまらず、聞き、推論し、翻訳し、文字起こしし、会話の進行と同時に行動できる音声インターフェースの実現を狙っています。

音声AIの3つの利用パターン

• ▸Voice-to-action — 要望を音声で伝えると、システムが推論しツールを使ってタスクを完了する。Zillowは予算内の住宅探しから内見の予約までこなすアシスタントを構築中
• ▸Systems-to-voice — ソフトウェアが文脈をリアルタイムの音声ガイダンスに変換する。フライト遅延時に新しい搭乗口や最短経路を音声で案内する旅行アプリなど
• ▸Voice-to-voice — 言語やタスクをまたぐ生の会話をAIが支援する。Deutsche Telekomは顧客が話しやすい言語で話せる音声サポートを構築中

Pricelineはこれらのパターンの組み合わせにより、フライトやホテルの会話型検索、遅延に応じた予約変更やTSAの待ち時間のリアルタイム更新、現地での会話翻訳まで、旅行全体を音声で管理できる将来を目指しています。

GPT-Realtime-2の主な機能

• ▸プリアンブル — 本回答の前に「確認しますね」のような短いフレーズを挟み、処理中であることを利用者に伝えられる
• ▸並列ツール呼び出しとツールの透明化 — 複数のツールを同時に呼び出し、「カレンダーを確認しています」のように動作を音声で伝えられる
• ▸リカバリーの強化 — 失敗時に黙り込まず「今それがうまくいきません」のように会話を立て直せる
• ▸コンテキスト拡大 — コンテキストウィンドウを32Kから128Kに拡大し、長く一貫したセッションや複雑なタスクフローに対応
• ▸専門領域の理解 — 専門用語・固有名詞・医療用語など本番環境で重要な語彙の保持が向上
• ▸トーン制御 — 問題解決中は冷静に、ユーザーが苛立っているときは共感的に、成功の確認では明るく、と話し方を調整可能
• ▸推論努力の調整 — minimal・low・medium・high・xhighの5段階から選択可能(既定はlow)

評価では、GPT-Realtime-2(high)が音声の知能を測るBig Bench AudioでGPT-Realtime-1.5より15.2%高いスコアを記録しました。マルチターン会話の指示追従などを測るAudio MultiChallengeでは、GPT-Realtime-2(xhigh)が13.8%高いスコアを示しています。

リアルタイム翻訳と文字起こし

GPT-Realtime-Translateは、各話者が自分の言語で話しながらリアルタイムに翻訳とその書き起こしを得られるモデルで、70以上の入力言語と13の出力言語に対応します。カスタマーサポート、国境を越えた営業、教育、イベント、メディア、クリエイタープラットフォームなどでの利用を想定しています。Vimeoは製品教育動画を再生と同時に翻訳するデモを公開したほか、BolnaAIはヒンディー語・タミル語・テルグ語での評価において、テストした他のどのモデルよりも単語誤り率が12.5%低かったと述べています。

GPT-Realtime-Whisperは低遅延のストリーミング文字起こしモデルで、その場で表示される字幕、会話に追随する議事録、ユーザーの発話を継続的に理解する音声エージェント、カスタマーサポートや医療・営業・採用などでのフォローアップ業務の高速化に使えます。

安全対策と価格

• ▸GPT-Realtime-2 — 音声入力100万トークンあたり32ドル(キャッシュ済み入力は0.40ドル)、音声出力100万トークンあたり64ドル
• ▸GPT-Realtime-Translate — 1分あたり0.034ドル
• ▸GPT-Realtime-Whisper — 1分あたり0.017ドル

Realtime APIには悪用を防ぐ複数層の安全対策が組み込まれており、セッションにはアクティブな分類器が適用され、有害コンテンツのガイドラインに違反すると検知された会話は停止されることがあります。開発者はAgents SDKで独自の安全ガードレールを追加できます。利用ポリシーではスパムや欺瞞目的での出力の転用を禁じており、文脈から明らかな場合を除き、AIとの対話であることをエンドユーザーに明示する必要があります。EUベースのアプリケーション向けにEUデータレジデンシーにも完全対応します。3モデルともRealtime APIで利用でき、Playgroundで試せます。