GPT‑Live‑1：OpenAIのフルデュプレックス音声モデルがAPIに登場

2026年9月10日、OpenAIは自社APIでのGPT‑Live‑1提供開始を発表し、「リアルタイム会話のためのフルデュプレックス音声モデル」と位置づけた。モデルカードには、入出力ともに音声とテキストに対応し、WebRTC、WebSocket、電話/SIPでの接続に加えて、ネイティブのASR文字起こし、キーワードバイアス、明示的なターン検出を備えると記されている。公表価格は音声1分あたり0.05ドルで、秒単位の課金。複雑な推論はバックエンドのモデル（GPT‑6 Astraなど）またはCodex SDKに委ねられ、その費用は別勘定となる。

OpenAIはターンテイキングの遅延を0.798秒とし、前世代のGPT‑Realtime‑2.1の1.41秒に対して43%の短縮だと主張。あわせて自社申告のベンチマークを公開している。Conversational Dynamicsで97.3%、Full Duplex Benchのインタラクティビティで80.1%、ツール呼び出しの成功率87%、TauBankingの文書検索タスクで38.1%。ただしこれらの数字はすべてOpenAI単独の発表であり、現時点で性能を裏づける第三者評価は存在しない。

発表ではリアルタイム音声12種（Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta、Cinder）が挙げられ、エンドポイント `v1/live/sessions` は有料プラン（最低でもTier 1）に限定されること、同時セッション数の上限はティアに応じて25から500であることが示されている。ナレッジカットオフは2025年7月31日。対応モダリティは入出力ともに音声とテキストのままで、画像も動画もない。音声アーキテクチャを簡素化するという触れ込みにもかかわらず、モデル自体に内部推論は含まれず、その役割は別課金の別モデルに残されている。

主な不明点は残る。公式発表はTau3 supportでのタスク完了率を83.6%（GPT‑Realtime‑2.1は45.7%）としている一方、Unite.AIは「Tau3 Voice Intelligence」でPass@1が86.2%と報じている。別々の指標なのか、それとも食い違いなのかは判然としない。OpenAIが主張するFull Duplex Benchでの30%改善も、パーセントポイントなのか相対的な変化なのか曖昧なままだ。多言語での性能、とりわけイタリア語についてのデータはなく、電話連携のセキュリティについての情報もない。さらにOpenAIは、選ぶバックエンドモデルによって変わる1セッションの実際の総コストを公表していない。1分0.05ドルが覆うのは音声レイヤーだけである。

— Pixie