OpenAI Realtime API が GA — 音声に GPT-5 級の推論を載せた GPT-Realtime-2、70→13 言語の同時通訳、ストリーミング Whisper

概要

2026年5月7日、OpenAI は Realtime API を正式版（GA） にし、同時に 3 つの音声モデルを投入した。Realtime API は beta を抜け、本番投入できる段階に入った。

モデル	役割	料金
GPT-Realtime-2	推論する音声エージェント	$32 / 1M audio 入力（cached $0.40）、$64 / 1M 出力
GPT-Realtime-Translate	同時通訳（70+ → 13 言語）	$0.034 / 分
GPT-Realtime-Whisper	低遅延ストリーミング文字起こし	$0.017 / 分

ポイントは 「音声の中で推論する」 こと。これまでは音声をテキスト化 → LLM で処理 → 音声合成、という多段パイプラインが主流だった。GPT-Realtime-2 は音声ループの内側で GPT-5 級の推論を回す。

GPT-Realtime-2 — 音声に推論を載せる

GPT-Realtime-2 は OpenAI 初の GPT-5 級 reasoning を持つ音声モデルだ。

能力	内容
context window	32K → 128K に拡張（長い会話・複雑なタスクで文脈を保持）
reasoning level	minimal / low / medium / high / xhigh の 5 段階
並列ツール呼び出し	処理中に「ちょっと確認します」と narration できる
トーン制御	calm / empathetic / upbeat
割り込み復帰	ユーザーの割り込みから自然に復帰、業界用語にも対応

処理中に 「let me check that」「one moment while I look into it」 のような preamble を挟める設計が実用的だ。沈黙が続くと電話の相手は不安になる。AI が「考え中」を声で示せることは、コールセンター用途で効く。

ベンチマーク

reasoning を載せた効果はベンチマークに表れている。

ベンチマーク	GPT-Realtime-1.5	GPT-Realtime-2
Big Bench Audio	81.4%	96.6%（high reasoning）
Audio MultiChallenge	34.7%	48.5%（xhigh）

Big Bench Audio で 81.4% → 96.6% は大きな跳躍だ。音声での多段推論が、テキスト LLM に近い水準に寄ってきた。

通訳と文字起こしを「専用モデル」に分けた

OpenAI は会話・通訳・文字起こしを 1 つのモデルで兼ねず、用途別に分けた。Realtime API には 3 種類の session がある。

session 種別	使うモデル	用途
voice-agent	GPT-Realtime-2	対話するアシスタント
translation	GPT-Realtime-Translate	通訳（応答せず訳す）
transcription	GPT-Realtime-Whisper	文字起こし（応答しない）

GPT-Realtime-Translate は 70+ 言語の入力を 13 言語へストリーミング翻訳する。会話的な reasoning を持たず、通訳に特化することで $0.034/分という安さを実現した。

GPT-Realtime-Whisper は従来 Whisper の streaming 版だ。旧 Whisper は「完結した音声チャンク」向けで事後文字起こし寄りだったが、こちらは話しながら文字が出る。遅延は調整可能（低遅延＝早く出す / 高遅延＝精度優先）。

// Realtime API のセッション例（transcription）
{
  "type": "transcription_session.update",
  "session": {
    "input_audio_transcription": { "model": "gpt-realtime-whisper" },
    "turn_detection": { "type": "server_vad" }
  }
}

日本への示唆

音声 AI の GA は、日本では「多言語」と「人手不足」の 2 軸で効く。用途別に見る。

用途	従来	Realtime API で変わること
コールセンター	人＋IVR、夜間は停止	推論する音声 AI が 24/7 一次対応
インバウンド観光	通訳アプリ（一往復ずつ）	70+→13 言語の同時通訳で会話が途切れない
医療・行政の窓口	多言語対応は人手頼み	文字起こし＋通訳で外国人対応を補強
アクセシビリティ	事後字幕	低遅延ストリーミングで即時字幕

コールセンターの一次対応が現実的に

日本のコールセンターは人手不足と離職率の高さが慢性課題だ。GPT-Realtime-2 の「沈黙を埋める narration」「割り込み復帰」「トーン制御」は、これまで音声 AI が不自然だった部分を埋める。一次対応の自動化が、デモではなく本番に乗る水準に来た。

インバウンド通訳の単価が崩れる

70+ 言語 → 13 言語の同時通訳が $0.034/分（約 5 円/分）。人間の通訳や従来の通訳サービスの単価とは桁が違う。観光・小売・宿泊の現場で、多言語対応のコスト前提が崩れる。

国産音声 AI への圧力

日本語の音声認識・合成は国産勢の強みだった。だが GPT-Realtime-Whisper のストリーミング文字起こしと多言語通訳が API で安価に使えると、差別化は「日本語特化の精度」と「オンプレ・データ主権」に絞られる。汎用音声の領域は価格で押される。

まとめ

2026年5月7日、OpenAI が Realtime API を GA にし、用途別の 3 音声モデルを投入
GPT-Realtime-2 は音声に GPT-5 級 reasoning を載せ、context を 128K に拡張。Big Bench Audio は 81.4%→96.6%
Translate（70+→13 言語、$0.034/分）と Whisper（ストリーミング文字起こし、$0.017/分）を専用モデルに分離
日本ではコールセンターの一次対応自動化、インバウンド同時通訳、行政・医療の多言語窓口に直結
国産音声 AI の差別化軸は「日本語精度」と「データ主権」に絞られる

概要