室谷代表取締役GPT-Live-1.1は、OpenAIが2026年にAPI提供を発表したフルデュプレックス音声モデルで、聞くことと話すことを同時に行いながら、多言語で自然な会話を実現できるのが特徴なんですよね。ChatGPT Plus/Proの音声機能を2026年10月15日から支えてきたモデルが、ついに開発者向けに開放されたという話です。
テキトー教師DotAI 認定講師単に「新しい音声モデルが出ました」という話じゃないんですよ。フルデュプレックスというのは、従来の「ユーザーが話し終わるのを待ってからAIが応答する」ターン制とは根本的に違う方式で、相槌や割り込み、言い直しに自然に対応できる。
これがAPIで使えるようになった意味は大きいです。
これがAPIで使えるようになった意味は大きいです。
室谷代表取締役しかも今回はモデル単体の開放だけでなく、無音時間の課金を抑えるStandby(スタンバイ)という新設定も一緒に出てきているんですよね。音声エージェントを作っている開発者にとっては、コスト構造が変わる発表です。
テキトー教師DotAI 認定講師公式のアナウンスでは、多言語でのアクセントの一貫性、アイドルコストを下げるStandbyオプション、そしてタスクをより確実に完了する点が挙げられています。講座でも受講生さんから「音声エージェントのコストが読めない」という声をよく聞くので、この発表は刺さる人が多いと思います。
GPT-Live-1.1とは?ChatGPTの声を支えてきたモデルがAPIに登場
GPT-Live-1.1の登場と提供の流れ
- 2026年9月10日GPT-Live-1のAPI提供開始前身モデルがAPIで利用可能に
- 2026年10月15日GPT-Live-1.1がChatGPT Plus/Proの音声を支える公式スレッドに「has powered voice in ChatGPT Plus and Pro since October 15th」と記載
- 今回GPT-Live-1.1がAPIに登場一般ユーザーが体験していた音声体験の裏側のモデルが開発者向けに提供
室谷代表取締役まず整理しておきたいのが、GPT-Live-1.1がどういう位置づけのモデルかという点です。公式ドキュメントでは「Full-duplex voice model for multilingual conversations」、つまり多言語会話向けのフルデュプレックス音声モデルと説明されています。
テキトー教師DotAI 認定講師入力も出力も音声とテキストに対応していて、画像と動画は非対応。ここは押さえておきたいポイントです。
音声の入出力に加えてテキストも扱えるので、書き起こしを活かした処理と組み合わせやすい構造になっています。
音声の入出力に加えてテキストも扱えるので、書き起こしを活かした処理と組み合わせやすい構造になっています。
室谷代表取締役で、これがいつから動いていたかというと、公式スレッドには「GPT-Live-1.1 has powered voice in ChatGPT Plus and Pro since October 15th」とあって、2026年10月15日からChatGPT Plus/Proの音声を支えていたんですね。それが今回APIでも使えるようになった、と。
テキトー教師DotAI 認定講師つまり、一般ユーザーがChatGPTで体験していた音声体験の裏側にいたモデルが、開発者の手に渡ったという順番です。ChatGPT PlusとAPIの違いについてはChatGPT PlusとAPIの違いとは?料金・キー取得・使い分けを徹底解説でも整理していますが、同じモデルでも課金体系がまったく別物になるのがAPIの面白いところです。
室谷代表取締役前身のGPT-Live-1は2026年9月10日にAPI提供が始まっていて、今回はその1.1版という位置づけ。MYUUUでも音声導線の設計をしているので、この進化は素直に気になります。
GPT-Live-1.1でできること――自然なアクセント・正確な聞き取り・バックエンドへの委任
GPT-Live-1.1でできること
話しながら聞ける
会話中でも同時に聞き取りが可能
音声認識とアクセントの向上
GPT-Live-1と比べて書き起こし精度が向上。言語をまたいでもアクセントと声がより一貫(speaks with more natural and consistent accents across languages)
細部の正確な聞き取り
英字や数字のような細部を確実に聞き取る(reliably understand precise details like letters and numbers)。予約番号や注文番号の読み上げ場面で実用性を左右
バックエンドへの委任
会話を止めずに複雑な推論やツール実行をバックエンドのテキストモデルへ委任。どんなときに渡すかを平易な言葉で指示できる(Describe in plain language when the model should hand a task to your backend for reasoning or tool use)
フロントとバックエンドの分離設計
音声フロントエンドと推論・ツール実行のバックエンドを分けて考えられ、コスト見積もりも別建てになり設計の自由度が上がる
機能対応の整理
ストリーミングと関数呼び出しに対応。構造化出力とファインチューニングは非対応(実装前の確認が必要)
テキトー教師DotAI 認定講師公式ドキュメントに書かれているGPT-Live-1.1の特徴を整理すると、大きく3つなんですよ。1つ目が「話しながら聞ける」こと。
2つ目が、GPT-Live-1と比べて音声の書き起こし精度が上がり、言語をまたいでもアクセントと声がより一貫していること。3つ目が、バックエンドへの委任を平易な言葉で指示できることです。
2つ目が、GPT-Live-1と比べて音声の書き起こし精度が上がり、言語をまたいでもアクセントと声がより一貫していること。3つ目が、バックエンドへの委任を平易な言葉で指示できることです。
室谷代表取締役アクセントの一貫性というのは、多言語で音声エージェントを出すときに地味に効いてくる部分ですよね。言語が切り替わるたびに声の印象がガラッと変わると、ブランド体験としても微妙になるので。
テキトー教師DotAI 認定講師公式スレッドでも「speaks with more natural and consistent accents across languages」と表現されています。さらに「reliably understand precise details like letters and numbers」、つまり英字や数字のような細部を確実に聞き取る力が強調されているんですよ。
予約番号や注文番号を読み上げる場面では、ここが実用性を左右します。
予約番号や注文番号を読み上げる場面では、ここが実用性を左右します。
室谷代表取締役委任の話も重要です。会話を止めずに、複雑な推論やツール実行をバックエンドのテキストモデルに任せられる。
公式ページには「Describe in plain language when the model should hand a task to your backend for reasoning or tool use」とあって、どんなときにバックエンドへ渡すかを自然言語で書けるわけです。
公式ページには「Describe in plain language when the model should hand a task to your backend for reasoning or tool use」とあって、どんなときにバックエンドへ渡すかを自然言語で書けるわけです。
テキトー教師DotAI 認定講師ここは音声モデルが全部を抱え込まない設計になっているのがポイントです。音声のフロントエンドと、推論・ツール実行のバックエンドを分けて考えられる。
コストの見積もりも別建てになるので、設計の自由度が上がります。
コストの見積もりも別建てになるので、設計の自由度が上がります。
室谷代表取締役機能面では、ストリーミングと関数呼び出しに対応していて、構造化出力とファインチューニングは非対応という整理が公式ページにあります。この辺は実装前に確認しておきたいところですね。
Standby(スタンバイ)とは?無音時の料金が下がる新設定の仕組み
Standby設定の仕組みと課金の流れ
- 1アイドルタイムアウトを設定5〜60秒の範囲で設定する
- 2沈黙が設定秒数続くモデルの推論がいったん一時停止する
- 3WebRTC通話は開いたままStandbyレートで通話を保持し、料金が下がる
- 4誰かが話し始める推論が再開する
室谷代表取締役今回いちばん実務に効くのが、このStandbyなんですよね。公式スレッドを読むと、GPT-Live APIの新しい設定で、会話を中断せずに無音の時間を管理できる仕組みだと説明されています。
テキトー教師DotAI 認定講師仕組みはシンプルです。アイドルタイムアウトを5〜60秒の範囲で設定する。
その秒数だけ沈黙が続くとモデルの推論がいったん一時停止する。でもWebRTCの通話自体は開いたままで、料金が下がる。
誰かが話し始めれば再開する、という流れです。
その秒数だけ沈黙が続くとモデルの推論がいったん一時停止する。でもWebRTCの通話自体は開いたままで、料金が下がる。
誰かが話し始めれば再開する、という流れです。
室谷代表取締役ここ、地味にすごくて。従来は無音の時間もアクティブ扱いで満額課金されていたので、通話を維持するほどコストがかさむ構造だったんですよ。
それがStandbyなら、沈黙中は安いレートで通話を保持できる。
それがStandbyなら、沈黙中は安いレートで通話を保持できる。
テキトー教師DotAI 認定講師しかも公式スレッドには「It's available for both GPT-Live-1 and GPT-Live-1.1」とあって、GPT-Live-1の既存利用者もこの恩恵を受けられるんですよ。新モデルだけの特典じゃないところが太っ腹というか、実用的というか。
室谷代表取締役公式のコスト解説ページを読むと、アクティブ時間には発話、アイドルタイムアウトが切れるまでの沈黙、そして推論が動いている間にバックエンドの処理を待つ時間が含まれると書かれています。Standbyのレートが適用されるのは、Standbyを設定したWebRTCセッションで推論が一時停止している間だけ。
テキトー教師DotAI 認定講師ここで注意したいのが、マイクをミュートしてもセッションはアクティブのまま、という点です。ミュートすれば安くなるわけではないんですよ。
あくまで「推論が一時停止しているかどうか」が基準なんですね。
あくまで「推論が一時停止しているかどうか」が基準なんですね。
室谷代表取締役あと、WebRTCセッションをPOST /v1/live/sessionsで作ると、初期化中に15秒分の音声時間が課金されるという仕様も公式ページにあります。これはセッションが動き出した後に時間課金から相殺されるので、二重に足さないように、と。
再接続が多いアプリだと見落としやすいポイントです。
再接続が多いアプリだと見落としやすいポイントです。
テキトー教師DotAI 認定講師音声エージェントは予約・注文・カスタマーサポートなど、相手が考えたり離席したりする沈黙が必然の場面で使われますからね。この沈黙コストを下げられるのは、運用フェーズに入った開発者ほどありがたいはずです。
GPT-Live-1.1の料金――アクティブ毎分0.05ドル・スタンバイ毎分0.02ドル
室谷代表取締役料金を整理するとこうです。公式ページの価格表に、アクティブが毎分0.05ドル、スタンバイが毎分0.02ドルと明記されています。
テキトー教師DotAI 認定講師ここは表にしておきますね。
| 項目 | 料金 |
|---|---|
| アクティブ(毎分) | $0.05 |
| スタンバイ(毎分) | $0.02 |
室谷代表取締役大事なのは、これが音声セッション部分だけの話だということです。公式ページには「Backend model and tool usage is billed separately」とあって、バックエンドのモデルとツールの利用は別建てで課金されます。
テキトー教師DotAI 認定講師音声セッションは秒単位で積み上がる仕組みなので、アクティブの分数×アクティブレート、スタンバイの分数×スタンバイレートで見積もる。そこにバックエンドのモデル利用料とツール料を足す、という考え方です。
公式のコスト解説ページでは、60秒アクティブ・30秒スタンバイの例で、アクティブ1分とスタンバイ0.5分を足すと説明されています。
公式のコスト解説ページでは、60秒アクティブ・30秒スタンバイの例で、アクティブ1分とスタンバイ0.5分を足すと説明されています。
室谷代表取締役見積もりの考え方として面白いのが、バックエンドに大きめのモデルを使ったほうが結果的に安くなるケースもあるという指摘です。タスクを早く終えれば音声セッションの時間が短くなって、トークンコストの増加分を上回ることがある、と。
テキトー教師DotAI 認定講師逆に安いモデルでも、時間がかかったりツール呼び出しを繰り返したりして失敗すれば、全体コストは高くつく。公式ページも「cost per successful task」、つまり成功したタスクあたりのコストで比べるべきだと言っています。
失敗とリトライも含めて見るのが鉄則ですね。
失敗とリトライも含めて見るのが鉄則ですね。
室谷代表取締役あと、長時間のタスクでは音声セッションを閉じてバックエンドだけ動かす、という選択肢も公式ページには書かれています。閉じれば音声課金は止まるので、再接続コストとユーザー体験の中断を天秤にかける話になります。
GPT-Live-1.1の使い方・始め方――モデル名とセッション開始までの流れ
室谷代表取締役使い方の入口はシンプルで、APIリクエストでモデル名「gpt-live-1.1」を指定するだけです。公式ページにも「Use gpt-live-1.1 in your API requests」とあります。
テキトー教師DotAI 認定講師エンドポイントはv1/live/sessionsが音声セッションの中心になります。公式ページのエンドポイント一覧を見ると、Chat CompletionsやResponses、Realtime系の各エンドポイントも並んでいますが、GPT-Liveの音声セッションはLiveのエンドポイントを使う形ですね。
室谷代表取締役流れとしては、セッションを作って、session.startedを待ってから音声をストリーミングする、という順番が公式のコスト解説ページに書かれています。待たずに音声を流すとまずいよ、と。
テキトー教師DotAI 認定講師セッションを再開するときは、保存しておいたコンテキストと検証済みのタスク結果を入力に入れて新しいセッションを始める。公式ページにはsession.startイベントのJSON例まで載っていて、modelにgpt-live-1、delegationにclientを指定する形が示されています。
室谷代表取締役レート制限の考え方も独特で、GPT-Live-1.1とGPT-Live-1は同時セッション数の制限が別々に設定されていて、それぞれの制限が推論リージョンをまたいで適用される、と公式ページにあります。具体的な上限値は組織ごとの制限を見る必要があるので、現時点では一律の数字は明らかにされていません。
テキトー教師DotAI 認定講師講座で受講生さんに伝えているのは、まず小さいセッションで音声の往復を試して、そのうえでStandbyのタイムアウトを調整するという順番です。5〜60秒のどこに置くかで体感とコストが変わるので、ここは実際に触りながら決めるのがいいですね。
室谷代表取締役ちなみに、ChatGPT Plus側で音声を使いたいのか、APIで組み込みたいのかで入口がまったく違います。プラン側の話はChatGPT Goとは?料金・Plusとの違い・制限・使い方を完全解説【2026年最新】あたりも参考になりますが、APIはあくまで開発者向けの別メニューです。
GPT-Live-1からの進化点と既存利用者への影響
テキトー教師DotAI 認定講師GPT-Live-1と1.1の違いを公式情報の範囲で整理すると、音声の書き起こし精度が上がったこと、言語をまたいだアクセントと声の一貫性が増したこと、そしてタスクをより確実に完了できるようになったこと。この3点が主な進化として挙げられています。
室谷代表取締役あわせて、StandbyがGPT-Live-1にも適用されるのが既存利用者にとっての朗報ですよね。モデルを乗り換えなくても、無音時のコストを下げられる。
テキトー教師DotAI 認定講師ただし、GPT-Live-1.1とGPT-Live-1は同時セッション数の制限が別々に管理されるので、移行を検討する際はそこも確認が必要です。混在させると制限の考え方が変わるので、運用設計に影響します。
室谷代表取締役それと、バックエンドのモデルやツールの料金は音声セッションとは別建て、という点は1.1でも変わりません。音声部分だけ見て安い高いを判断すると、全体像を見誤るので注意したいところです。
テキトー教師DotAI 認定講師公式のコスト解説ページには、セッションの利用量がsession.usage.updatedイベントで秒単位の累積として報告されることも書かれています。各更新は前回の合計を置き換えるものなので、スナップショットを足し算しないように、という注意まで載っています。
地味ですが、ここを間違えるとコスト管理が狂います。
地味ですが、ここを間違えるとコスト管理が狂います。
室谷代表取締役音声エージェントの設計は、モデル単体の性能だけでなく、セッションの開け閉めとバックエンドの委任設計まで含めて考える必要がある。今回の発表は、その全体像を改めて突きつけてくる内容でした。
よくある質問
室谷代表取締役ここからは、よく聞かれそうな点をテキトー教師さんと整理していきますね。まず、GPT-Live-1.1はいつから使えるのか。
これはAPIでは発表時点から利用可能で、ChatGPT Plus/Proの音声機能では2026年10月15日から稼働していた、というのが公式情報です。
これはAPIでは発表時点から利用可能で、ChatGPT Plus/Proの音声機能では2026年10月15日から稼働していた、というのが公式情報です。
テキトー教師DotAI 認定講師次に、日本で使えるのかという点。公式ページには対応国や地域の制限についての記載が今回の資料にはないので、現時点では明らかにされていません。
多言語対応のモデルではありますが、提供地域の詳細は公式の案内を確認する必要があります。
多言語対応のモデルではありますが、提供地域の詳細は公式の案内を確認する必要があります。
室谷代表取締役料金はどうなっているか。アクティブが毎分0.05ドル、スタンバイが毎分0.02ドル。
これは音声セッション部分で、バックエンドのモデルとツールは別建てです。
これは音声セッション部分で、バックエンドのモデルとツールは別建てです。
テキトー教師DotAI 認定講師StandbyはGPT-Live-1でも使えるのか。はい、公式スレッドに両モデルで利用可能と明記されています。
タイムアウトは5〜60秒で設定します。
タイムアウトは5〜60秒で設定します。
室谷代表取締役モデル名は何を指定すればいいのか。APIリクエストではgpt-live-1.1を指定します。
エンドポイントはv1/live/sessionsが音声セッションの中心です。
エンドポイントはv1/live/sessionsが音声セッションの中心です。
テキトー教師DotAI 認定講師画像や動画は扱えるのか。公式ページのモダリティ欄では、テキストと音声が入出力対応、画像と動画は非対応とされています。
構造化出力とファインチューニングも非対応です。
構造化出力とファインチューニングも非対応です。
室谷代表取締役無音のときは自動で安くなるのか。ここは誤解されやすいのですが、Standbyを設定したうえで、設定したアイドルタイムアウトの秒数だけ沈黙が続いた場合に推論が一時停止して安いレートが適用される、という仕組みです。
マイクをミュートしてもアクティブのままなので、そこは区別が必要ですね。
マイクをミュートしてもアクティブのままなので、そこは区別が必要ですね。
テキトー教師DotAI 認定講師既存のGPT-Live-1利用者は何かする必要があるのか。StandbyはGPT-Live-1でも使えるので、設定を見直すことで無音時のコストを下げられる可能性があります。
ただし同時セッション数の制限はモデルごとに別管理なので、そこは運用側で確認してください。
ただし同時セッション数の制限はモデルごとに別管理なので、そこは運用側で確認してください。
室谷代表取締役というわけで、今回はOpenAIのGPT-Live-1.1 API開放とStandbyの話でした。音声エージェントを作っている方は、ぜひセッション設計とコスト見積もりをセットで見直してみてください。
