GPT-Live-1 APIの料金と仕組み｜話しながら聞ける音声AIをアプリに使うには

今回のニュースは「自分のアプリへ、自然な声の会話を入れられる」こと

APIは、ここでは「別のアプリからAIの機能を呼び出すための窓口」と考えると分かりやすいです。

たとえば学習アプリに会話相手を入れる。サポート窓口に声で相談できる入口を作る。作業用のアプリへ、話しながら頼めるアシスタントを組み込む。GPT-Live-1は、そうした開発をする人に向けた機能です。

OpenAI Devsの投稿は、話している間も相手の声を聞き、開発者が選んだモデルや実行環境と組み合わせられる点を伝えています。

一般の利用者にとっては、今後使うアプリの「声で頼む体験」が変わっていく可能性があるニュース、と捉えるとよさそうです。

カバーにいるロボットはOpenAIの公式紹介映像に登場するものです。今回はそのロボット自体の発売や、購入できる新型端末の発表ではありません。

• 出典：今回の公式投稿（新しいタブ）

話しながら聞く「フルデュプレックス」を、身近な会話で考える

フルデュプレックスは、音声を聞くことと話すことを同時に扱う仕組みです。難しい言葉ですが、「こちらが話し終わるのを待つだけではない」と考えるとイメージしやすいと思います。

たとえば、レストラン探しを相談しているとします。

この例は僕が考えたものですが、途中で条件を足すのは日常の会話では普通ですよね。最初に完璧な条件を全部そろえてから話す人ばかりではありません。

GPT-Liveでは、声のやり取りをする部分と、裏で情報を調べる部分を分けて扱います。調査中にも会話を続けられる、というのが基本の考え方です。

僕が期待するのは、機械に合わせて話す感覚が少し減ることです。「もう一つ条件を思い出した」「説明が難しいから短くして」と、その場で相談しやすくなるならうれしいですね。

ただし、会話が自然でも、通信や調べ物の待ち時間がなくなるわけではありません。話しやすさと、裏で仕事が終わるまでの時間は分けて見たいところです。

• 出典：公式：GPT-Live入門（新しいタブ）
• 出典：元の公式動画（新しいタブ）

会話するAIと、仕事を進めるAIを分けて選べる

ここが、今回の発表で特に面白いところです。

GPT-Live-1は音声の会話を担当し、調査やツール操作などの仕事は、別のモデルやエージェントに任せられます。この受け渡しが「delegation」、日本語では委任に当たります。

人にたとえるなら、お客さんと話す窓口と、必要な情報を調べる担当が連携する感じです。ただし本当に人が二人いるわけではなく、役割を分けたソフトウェアの仕組みです。

公式の技術資料には、OpenAIのResponses API側に仕事を任せる方法と、自分たちのモデル・エージェント・サービスへ任せる方法が説明されています。会話の声と、裏側の仕事の仕組みを独立して選べるわけです。

「ハーネス」という言葉も出てきますが、ここではAIが仕事をするための手順、ツール、実行管理をまとめた仕組み、と捉えれば十分です。

僕なら、よくある質問への回答と、少し複雑な調査で、裏側に求める能力を分けて考えます。すべての相談に同じ処理をするのではなく、目的に合う構成を選ぶ余地がある。これは開発する側にとって大事なポイントだと思います。

• 出典：公式：委任とツール連携（新しいタブ）

「話を止める」と「作業を取り消す」は同じではない

自然に割り込めると聞くと、「やっぱりやめて」と言えば、裏側の仕事も全部止まるように感じるかもしれません。

でも、公式資料は、発話への割り込みがバックエンドの処理を自動で取り消すわけではない、と区別しています。予約や更新などの処理がどこまで進んだかは、アプリ側で管理する必要があります。

さっきのお店探しなら、「金曜」を「木曜」に言い直した時、古い金曜の検索結果があとから戻ってくる可能性があります。その結果を、そのまま現在の条件への回答として伝えない工夫が必要です。

単に「気持ちよくしゃべるAI」を作るだけではなく、「何を頼まれていて、何が済んでいて、何はまだしていないか」をそろえる。ここまで含めて、使いやすい音声アプリになるんですね。

利用者としても、重要な操作では「調べただけなのか」「予約まで済んだのか」がはっきり分かるアプリだと安心して使いやすいと思います。

• 出典：公式：委任の結果と状態管理（新しいタブ）

料金は1分0.05ドル。ただし、これが全部の費用ではない

モデルの公式ページでは、GPT-Live-1の音声セッションは1分あたり0.05米ドル。秒単位で計算され、毎回1分へ切り上げる方式ではありません。

この音声部分だけを単純計算すると、10分で0.50ドル、60分で3ドルです。たとえば10分のセッションを100回なら、音声部分は50ドルになります。

ただし、裏で使うモデルやツールの料金は別です。外部サービスや電話回線を使う構成なら、その費用も考える必要があります。「60分話して3ドルだから、検索も複雑な処理も全部その中に入る」とは読まないでください。

また、これは開発者向けAPIの料金で、ChatGPTの月額プランそのものの価格ではありません。一般向け音声機能の利用条件と、APIを組み込んだアプリの原価は別の話です。

開発するなら、「一分いくら」だけではなく、一つの相談を終えるのにどれくらいの時間と処理が必要かを見ると、使い勝手と費用を一緒に考えやすくなります。

たとえば、案内が長すぎて会話時間が伸びているなら、モデルを変える前に説明を短くする手もあります。反対に、必要な確認を省いて相談をやり直すなら、短い一回が必ずしも安上がりとは限りません。

• 出典：公式：GPT-Live-1の料金・仕様（新しいタブ）

どんな使い道がありそう？　僕が気になる三つ

一つ目は、練習相手です。

英語の会話や面接の練習で、途中から「もう少しゆっくり」「その言い方を説明して」と言えるなら、ただ台本を読み上げるだけの練習とは違う体験になりそうです。

二つ目は、操作に迷った人への案内です。

画面の前で「今、どこを押すの？」と話す人に、現在の状況に合わせて返す。ただし、AIが勝手に画面を見ていると決めつけてはいけません。アプリ側が今の画面や選択状態を適切に渡す構成が必要です。

公式資料では、画像を扱いたい場合は画像対応のバックエンドへ送り、その結果を音声側へ返す設計が説明されています。GPT-Liveの音声フロントエンドに、画像を直接送ればよいわけではありません。

三つ目は、作業中に考えを整理する相手です。

僕のように声で希望を伝える使い方なら、「この案で進めたい。いや、最初に比較してほしい」と会話しながら方向を変えられるとうれしいです。長い説明を最初から完成させなくても、一緒に詰めていける感覚に近づくのかもしれません。

この三つは、機能から考えた活用案です。特定のアプリで完成している機能や、僕が試して成果を出した事例として紹介しているわけではありません。

• 出典：公式：画像と画面の文脈を渡す（新しいタブ）

作る人は、まず小さな会話から始めると分かりやすい

公式の入門では、ブラウザ向けにWebRTC、サーバー側の音声連携にWebSocketなどの接続方法が案内されています。電話連携向けの資料も用意されています。

最初から予約・決済・問い合わせ対応を全部つなぐより、まず「質問して返事を聞く」「一つの情報を調べて結果を返す」くらいに絞ると、問題の場所を見つけやすいと思います。

僕なら、試す時にこんな場面を入れます。

日本語で使うなら、日本語の名前、カタカナの商品名、数字の復唱なども実際の環境で確かめたいです。英語の公式デモが自然だからといって、自分の利用環境でも同じ品質になるとは限りません。

• 普通に質問した時、返事の始まりと終わりが自然か。
• AIが話す途中で、条件を追加できるか。
• 自分が少し考えて黙った時、すぐに話を奪われないか。
• 聞き間違えた数字や名前を、言い直して直せるか。
• 裏で調べている内容が変わった時、古い結果を混ぜないか。
• 相談が終わったら接続を閉じ、利用時間を確認できるか。

• 出典：公式：接続方法の選び方（新しいタブ）

声を出すAIから、会話の途中で一緒に考えるAIへ

今回のGPT-Live-1 APIで注目したいのは、話しながら聞くことと、会話の裏で進める仕事を分けて組み合わせられることです。

もちろん、自然な声だけで、仕事が全部正しく完了するわけではありません。情報の渡し方、処理の確認、言い直しへの対応まで含めて作る必要があります。

それでも、最初から完璧な文章を打たずに、話しながら仕事を進められる方向は、僕としてはかなりうれしいです。日常のアプリにこういうやり取りが入ってきたら、AIを使う入口がもっと身近になる気がします。

まずは公式の紹介動画で、話し方だけではなく「相手の声とどうやり取りしているか」に注目してみてください。文章で読むのとは、また違った面白さがあると思います。