Research / Technology

GPT-Live-1 API

OpenAI の全二重（full-duplex）音声モデル gpt-live-1 が API で一般提供されました。公式発表は 2026-09-10（UTC）、日本語圏の報道は 09-11 朝（JST）に集中しています。「聞きながら話す」音声層と、推論・ツール実行を担うバックエンドを分離したのが構造上の核で、料金も「音声層 1 分 $0.05 ＋ バックエンドは別課金」という二階建てになっています。

1. 何が発表されたのか

公式 Changelog の原文（該当箇所のみ抜粋、取得 2026-09-12 15:58 JST）:

### Sep 10

Feature · Model: gpt-live-1 · API: v1/live/sessions

[GPT-Live 1](https://developers.openai.com/api/docs/models/gpt-live-1) is now generally available in the API. Build full-duplex voice conversations that can continue while a backend model or agent handles reasoning and tools.

Use Responses delegation with an OpenAI model, or client delegation to connect your own backend. Voice sessions cost $0.05 per minute, billed per second; backend model and tool usage is charged separately.

2. 仕様

2-1. 基本構造 ── 音声層と「委譲（delegation）」の分離

従来の音声エージェントは STT → LLM → TTS を数珠つなぎにしていました。GPT-Live-1 はこれを崩して、入ってくる音声と出ていく音声を 1 つのモデルが同時に扱う設計にしています。深い推論・ツール実行は、後段の「バックエンド」に投げる（＝委譲する）。投げている間も会話は止まらないのが売りです。

委譲には 2 モードあり、セッション作成時に選択します（途中変更不可、変えるなら新規セッション）。

どちらのモードでも、権限確認・確定操作・業務レコード・タスク状態はアプリ側の責任と明記されています。ドキュメントの推奨バックエンドは gpt-5.6-terra（コスト優先なら gpt-5.6-luna）、発表記事では gpt-6-astra との組み合わせが最上位構成として示されています。

2-2. モデルカードの事実

2-3. セッションの挙動

• 指示文（instructions）は最大 16,384 トークン。会話中は session.instructions.append で追記する（置換ではない）。
• コンテキストは 128,000 トークン（指示文・会話テキスト・トランスクリプトに現れない音声トークンを含む）。使用率 90% 超でセッション内部の音声エンジンを差し替え、引き継ぎは「元の指示文 ＋ 最大 8,192 トークンの会話履歴（要約含む）」のみ。古い詳細は落ちる前提で、確定事実はアプリ側に正本を持つよう明記されています。
• 途中注入イベントは 3 種類。それぞれ 1 回 500 トークンまで。

  イベント	用途
  session.instructions.append	システム的な指示（挨拶・開示文・発話停止の指示など）
  session.thinking.append	声に出させない背景情報・進捗（内部推論に効く）
  session.commentary.append	声に出させたい結果（モデルが言い換えて話す）

• ASR トランスクリプトと応答テキストをネイティブに返す（session.input_transcript.delta / session.output_transcript.delta、start_ms・end_ms つき）。英数字の聞き取り精度とキーワードバイアスにも対応。ターンベースではないが turn detection もネイティブ対応するので、既存のターン境界設計を残せます。
• 保存とフォーク: store:true で録音を保存し、後からダウンロード／フォーク（別セッションとして再開）が可能。保存期間 30 日。既定は false。
• 終了理由: close_requested（自分で閉じた）／expired（セッション時間上限）／content（安全フィルタによる終了）／remote_hangup／connection_lost。

2-4. 音声と接続

既定音声は marin。API リリースで以下 12 音声が追加されました（audio.output.voice で指定、セッション作成時のみ）。地域性は「話し方の傾向」であってアクセントの忠実性を保証しないと注記されています。

この一覧に日本語の音声はありません。「今後数か月で音声と対応言語を拡張していく」とだけ書かれています。カスタム音声（自前の収録から作る声）は対象顧客のみで、営業窓口経由の申請が必要です（組織あたり最大 20 音声、サンプルは 30 秒以内、本人の同意音声の録音が必須）。

接続方式は 4 系統。Realtime 用の実装はそのままでは動きません（ハンドシェイク・認証・イベント形式が別物、とドキュメントが明記）。

公式のローンチパートナーは LiveKit（OpenAI プラグイン）、Twilio（Agent Connect）、Telnyx（Voice API・Media Streaming）、Daily / Pipecat（OpenAILiveLLMService）の 4 社です。

3. ベンチマーク（OpenAI 自社公表値）

発表ページのグラフに埋め込まれた数値をそのまま転記します。比較対象は従来の Realtime 系モデルです。* 付きは GPT-Live のバックエンドを併用した構成での測定。

発表記事の要約文は「Full Duplex Bench で GPT-Realtime-2.1 を 30 ポイント上回り、GPT-6 Astra（medium）と組み合わせた構成で Tau3 首位」。いずれも OpenAI 自身の測定で、第三者による再現値ではありません。

4. 料金体系

4-1. 音声層

課金対象の「アクティブ時間」には、ユーザが話している間・アシスタントが話している間・双方が黙っている間・バックエンドが作業中の間がすべて含まれます。マイクをミュートしてもセッションは閉じません。長時間タスクの間は「いったんセッションを閉じて、終わったら再開ボタンで開き直す」ことが公式に推奨されており、ドキュメントは「閉じれば待機 1 分あたり $0.05 が浮く。再接続コストと体験の断絶と比べよ」と書いています。

4-2. バックエンド（別課金）

音声層の料金にバックエンドは含まれません。委譲先モデルの通常トークン料金がそのまま乗ります（100 万トークンあたり・標準ティア・短コンテキスト）。

Fast mode（旧 Priority。delegation.responses.service_tier:"priority"）を使う場合は別レートです。長コンテキスト側の単価は短コンテキストの概ね 2 倍（例: astra 入力 $20.00 / 出力 $75.00）。

4-3. 試算

公式ドキュメントが載せている計算式と例（rate は例示値として $0.05/分）:

Total cost = (billable voice seconds ÷ 60 × voice rate per minute) + backend costs

90 秒の音声セッション   90 ÷ 60 × $0.05 = $0.075
バックエンド（例）                        = $0.02
────────────────────────────────────────────────
会話 1 件あたり                           = $0.095

単純に伸ばすと 音声層だけで 1 時間 $3.00、1 日 1,000 通話 × 平均 3 分なら音声層 $150/日。ここにバックエンドと電話網の費用が乗ります。日本語の報道には「1 時間 480 円で使えた」という見出しがありましたが、為替前提は公式には示されていません（$3.00 を 1 ドル 160 円で換算すれば 480 円になる、という水準感です）。

5. 現在確認されている活用事例

公式発表に名前が出ている導入例です。引用は原文のまま（OpenAI 発表ページ、取得 2026-09-12 16:02 JST）。

“
Adding GPT‑Live‑1 into Yelp Host and Hatch improved turn-taking and accuracy over our traditional voice architecture. When Yelp Host uses GPT‑Live‑1 to answer calls, like reservations and food orders, we're seeing meaningful improvements in call handling rates. Callers are also speaking fuller, more natural sentences, which tells us the experience on the other end of the phone feels genuinely different.
”

“
A good language tutor knows when to give learners space and when to step in, and GPT‑Live‑1 brings that naturalness to Speak’s Live Tutor Lessons—in our early evaluations, it cut interruptions during thinking pauses by almost 80% compared with previous turn-based systems.
”

“
GPT‑Live-1 shows what a full-duplex model can unlock: It moves AI voice support from the stop-start rhythm toward the natural flow of a phone call. Customers can pause, interrupt, and change direction naturally; voice delivery is a clear step forward; and Fin can combine that natural conversation with its proprietary support system to do the deeper work needed to resolve the issue. For us, this is the clearest signal yet of where voice support is heading.
”

“
With Devin and GPT‑Live‑1, working with an AI engineer starts to feel more like collaborating with a teammate. You can talk through an idea, pressure-test an approach, or just hand off work while you’re away from your keyboard.
”

発表ページのデモ枠に名前が出ている企業

デモ動画のタブとして Yelp / Cognition / Picsart / Heygen / OpenAI Presence の 5 つが並んでいます。ただしキャプション文が取得できたのは Yelp のみで、Picsart・Heygen が何をしているかは本調査では確認できていません。

パートナー側で公開されている実装例

OpenAI 側のチェックリストは 「Realtime 対応の統合が自動的に GPT-Live 互換になるわけではない」と警告し、音声フォーマット・割り込み・セッションイベント・委譲・通話終了の扱いを各パートナー実装で確認するよう求めています。

日本語圏の報道（見出し一覧）

Google News RSS（クエリ "GPT Live" API、2026-09-12 15:52 JST 取得）で確認できた、9/10〜9/11 付の関連記事です。各記事の本文は本調査では未取得で、見出しのみの提示です。

Thu, 10 Sep 2026 17:10:00 GMT | Investing.com | OpenAIがGPT-Live-1音声モデルを開発者向けにリリース 執筆
Thu, 10 Sep 2026 17:34:10 GMT | unite.ai      | OpenAI の GPT-Live-1 が API に登場、1分あたり $0.05 で提供
Thu, 10 Sep 2026 22:25:42 GMT | shiritomo     | 「レス速いしテンポも良くてすごい」——OpenAIの新音声API「GPT-Live-1」、1時間480円で使えた理由
Fri, 11 Sep 2026 02:43:00 GMT | gihyo.jp      | OpenAI、GPT-Live-1をAPIで提供開始 ——発話中の割り込みや依頼の変更に対応
Fri, 11 Sep 2026 03:21:00 GMT | GIGAZINE      | OpenAIが音声会話AI「GPT-Live-1」のAPIをリリース
Fri, 11 Sep 2026 04:48:57 GMT | digitaltoday  | OpenAI、音声対話モデル「GPT-Live-1」API公開 フルデュプレックス対応
Fri, 11 Sep 2026 08:36:00 GMT | innovaTopia   | GPT-Live-1がAPIで提供開始、音声層は1分0.05ドル
Fri, 11 Sep 2026 19:23:33 GMT | Pasquale Pillitteri | GPT-Live-1がAPIに登場、1分0.05ドルのOpenAI音声モデル

報道の焦点は 「全二重」「割り込み対応」「1 分 $0.05」の 3 点にほぼ収束しています。日本企業の導入事例は、この一覧の見出し範囲では確認できませんでした。

6. 設計するときに効く注意点（ドキュメントが明示しているもの）

• append の ack は「話した」証明ではない。session.commentary.appended は「文脈が注入されたと推定される」段階の確認であって、発話・再生の完了ではありません。同様に、挨拶や開示文を指示しても一字一句そのまま読む保証はない（正確な文言が必須なら録音を自前で再生する）。
• 応答の終わりを示すイベントが無い。Realtime の response.output_audio.done / response.done に相当するものが GPT-Live にはありません。「話している」表示はクライアント側の再生状態から作ります。
• 委譲イベントに発話内容は入らない。session.delegation.created が運ぶのは ID と時刻などのメタデータだけ。クライアント委譲ではトランスクリプトと状態を自分で貯めて、何を頼まれたのか組み立てる必要があります。
• 静かな文脈は秘密の置き場ではない。thinking.append は「その場では喋らない」だけで、後の発話に影響し得ます。秘密情報を置く場所ではない、と明記。
• 画像は音声フロントに入らない。写真や画面について話すなら、画像はバックエンド（視覚対応モデル）に送り、結果のテキストだけを GPT-Live に戻します。
• プロンプトは短く。音声モデル側のコンテキストは小さく、業務手順・ツールスキーマはバックエンドのプロンプトに置くのが推奨。Realtime から移す際は丸ごとコピーせず分割する。
• 留守番電話の検出は別系統で。ビープ音など「音そのもの」に依存する判定は委譲では届かないため、音声を音声対応の検出器にも分岐させる構成が案内されています。

7. 本レポートで確認できなかったこと

• 日本語での品質。追加 12 音声に日本語はなく、既定音声 marin を含む既存音声の日本語品質についての公式記述は見つかりませんでした。7 月の ChatGPT 版発表には「一部の言語では非ネイティブなアクセントや流暢さの欠けがある」との一般的注記があります。
• 日本からの実測レイテンシ、および日本リージョンの有無（データレジデンシーは米国・欧州のみ記載）。
• セッションの最大時間。終了理由に expired（duration limit）はありますが、具体的な上限値は本調査で参照した範囲に記載がありませんでした。
• Picsart / Heygen の具体的な使い方（デモ枠に名前があるのみ）。
• OpenAI Presence の価格（非公開、営業経由）。
• 第三者によるベンチマークの再現。掲載値はすべて OpenAI 自社測定（Artificial Analysis 指標も OpenAI のページからの転記）。
• 日本語圏メディア各記事の本文（見出しのみ取得）。「1 時間 480 円」の為替前提も記事本文で未確認。

8. 出典

1. OpenAI「Build more natural voice experiences with GPT-Live-1 in the API」2026-09-10 付。本文・顧客コメント・ベンチマーク値・料金の一次情報https://openai.com/index/introducing-gpt-live-1-in-the-api
2. OpenAI API ドキュメント「GPT-Live 1」モデルカード（対応エンドポイント・レート制限・料金）https://developers.openai.com/api/docs/models/gpt-live-1
3. 同「Getting started with GPT-Live」https://developers.openai.com/api/docs/guides/live
4. 同「Delegation and tools in GPT-Live」（委譲モードの比較・イベント仕様）https://developers.openai.com/api/docs/guides/live-delegation
5. 同「Managing GPT-Live sessions」（音声一覧・コンテキスト管理・保存とフォーク・終了理由）https://developers.openai.com/api/docs/guides/live-conversations
6. 同「Prompting GPT-Live」https://developers.openai.com/api/docs/guides/live-prompting
7. 同「Migrate to GPT-Live」（Realtime との差分）https://developers.openai.com/api/docs/guides/live-migration
8. 同「Cost optimization」（課金の数え方・試算式・WebRTC 初期化 15 秒）https://developers.openai.com/api/docs/guides/voice-latency-cost
9. 同「Pricing」（音声 $0.05/分、バックエンド各モデル単価、Realtime 系トークン単価）https://developers.openai.com/api/docs/pricing
10. 同「Changelog」2026 年 9 月（Sep 10 の GA 告知）https://developers.openai.com/api/docs/changelog
11. 同「Your data」（/v1/live/sessions の保持期間・ZDR・データレジデンシー）https://developers.openai.com/api/docs/guides/your-data
12. 同「Custom voices」https://developers.openai.com/api/docs/guides/custom-voices
13. 同「GPT-Live partner integrations」https://developers.openai.com/api/docs/guides/live-partner-integrations
14. OpenAI「Introducing GPT-Live」2026-07-08 付（モデルの初出・アーキテクチャ・安全性）https://openai.com/index/introducing-gpt-live
15. OpenAI「Introducing OpenAI Presence」（自社電話サポートの 75% 自己解決）https://openai.com/index/introducing-openai-presence
16. Telnyx「Build outbound AI calls with Python and OpenAI GPT-Live」（16kHz 広帯域）https://telnyx.com/resources/outbound-ai-calls-python-openai-live
17. Pipecat ドキュメント「OpenAI GPT-Live」https://docs.pipecat.ai/api-reference/server/services/s2s/openai-live
18. Google News RSS（クエリ "GPT Live" API、日本語）— 報道見出しの一覧https://news.google.com/rss/search?q=%22GPT+Live%22+API&hl=ja&gl=JP&ceid=JP:ja