GPT-Liveとは｜聞きながら話す音声AIの料金と落とし穴

「音声AIを電話対応に入れたい。ただ、1分いくらなのか、結局いくら請求されるのかが読めない」——見積もりを作ろうとして、料金ページの前で手が止まる方は多いはずです。

結論から言うと、GPT-Live 1の料金は音声1分あたり0.05ドルですが、これは「会話の値段」でしかありません。裏で考えたり道具を使ったりする処理は別建てで課金され、しかも同時に使える数はトークンではなく「同時セッション数」で上限が決まります。見積もりは2本立てになります。

株式会社Fyveは中小企業のAI導入を月額で伴走しており、私自身も24時間動くAIジョブを毎日運用しています。この記事では公式ドキュメントで自分の目で確認した数字だけを使い、料金の読み方と、導入前に知っておくべき落とし穴を整理します。

GPT-Live 1とは｜「聞きながら話せる」音声モデル

GPT-Live 1（モデルID gpt-live-1）は、OpenAIが2026年9月10日にAPIで正式提供（generally available）を開始した音声対話モデルです。公式のAPI変更履歴に、同日付で「GPT-Live 1 is now generally available in the API」と記載されています。

最大の特徴はフルデュプレックス（full duplex）です。公式ドキュメントは「It can listen while speaking」——話しながら同時に聞けると説明しています。従来の音声AIは「相手が話し終わるのを待ってから答える」トランシーバー型でしたが、こちらは電話の通話に近い形になります。

フルデュプレックスが実際に変えること

言い換えると、割り込みが事故ではなく前提になるということです。従来型では、ユーザーが途中で口を挟むと「発話の終わり」の検出が崩れて会話が破綻しがちでした。

公式ドキュメントが挙げている例がわかりやすいので紹介します。ユーザーが注文について質問し、裏で状況を確認している最中に条件を言い足し、準備ができたら結果を聞く——という流れです。確認作業の完了を待って黙り込む必要がありません。

「会話役」と「仕事役」を分けたのが本質

料金と設計の話に入る前に、ここを押さえる必要があります。GPT-Live 1は会話だけを担当し、実際の仕事は別のモデルやエージェントに投げます。この投げる動作を公式はデリゲーション（delegation＝委任）と呼んでいます。

従来のRealtime APIとの違いを、公式ドキュメントは1文で明記しています。「Realtime uses one model for speech, reasoning, and tool selection」——Realtimeは発話・推論・道具選びを1つのモデルでやっていた。GPT-Liveはそれを2つに割りました。

実務上の意味は大きいです。話し方を直したいときは会話側の短いプロンプトを、業務ルールを直したいときは裏側を触る。直す場所が分かれているので、「敬語を調整したら在庫確認の手順まで壊れた」という類の事故が起きにくくなります。

料金は1分0.05ドル｜ただし「音声レイヤーの値段」でしかない

ここが本題です。2026年9月12日時点の公式価格ページに記載されている数字は次のとおりです。

公式の注記が2つ付いています。どちらも見積もりに直結します。

• 秒単位で課金され、1分に切り上げられない（「Session duration is not rounded up to the next whole minute」）。20秒で終わった通話は20秒分です
• バックエンドのモデルと道具の使用料は別途課金される（「Backend model and tool usage is billed separately」）

つまり0.05ドル/分は上限ではなく下限です。1時間話し続けた場合、音声レイヤーだけで3.00ドル。そこに裏で動いたモデルの入出力トークン代と、Web検索などの道具の利用料が積み上がります。

単位が違うので、旧モデルとの比較は引き算できない

従来のRealtime系モデルと並べると、比較が難しい理由が見えます。

「安くなった」「高くなった」と一言で言えません。測っているものが時間とトークンで別だからです。どちらが有利かは「1分あたり何トークン消費する会話なのか」で反転します。無言の間が多い通話は時間課金が不利になり、早口で情報量の多い通話はトークン課金が不利になります。

そしてGPT-Liveは時間課金に見えて、裏側はトークン課金です。結局どちらの軸も残ります。

私が同じ形の料金表で読み間違えかけた話

この「時間 + トークン + 道具」の3階建ては、初めて見る形ではありません。私は以前、別のエージェント製品の料金をトークン従量 + セッション時間あたり0.08ドル + Web検索課金という構成で読んだことがあります。

そのとき最初に出した試算は、トークン単価だけを見た数字でした。セッション時間の項目を見落としていたので、長時間つなぎっぱなしにする使い方ほど実額とズレる見積もりになっていました。気づいたのは「人を置き換えるレベルの重い作業を想定した値付けだ」と解釈を書き直したときです。

そこで得た教訓を、今回そのまま当てています。料金表に単位の違う行が2つ以上あるときは、必ず「1回の利用が何分続くか」を先に決める。分数が決まらないと、時間課金の行は見積もれません。

課金の単位そのものをどう選ぶかは、席で買うか使った量で買うかという論点と地続きです。こちらで詳しく整理しています。

AI業務効率化AIの従量課金とは｜席課金との違いと予算の立て方

上限は「同時セッション数」で決まる

もう1つ、見落としやすい制約があります。GPT-Live 1のレート制限はトークン毎分でもリクエスト毎分でもなく、同時セッション数で測られます（「Rate limits are measured in concurrent sessions」）。

あわせて公式は無料ティアは対象外（「Unsupported usage tiers: Free」）と明記しています。試すだけでも支払い実績のあるアカウントが必要です。

この数字の読み方は、トークン上限とはまったく違います。「同時に何本の通話が鳴るか」が設計値になるので、考えることが電話の回線数に近づきます。

• 1日の通話総数が多くても、同時に鳴らなければTier 1の25本で足りる
• 逆に総数が少なくても、昼休みに集中する業種なら上限に当たる
• 設計に必要なのは月間の通話数ではなく、ピーク時刻の同時通話数

電話での問い合わせが特定の時間帯に固まる業種——飲食店の予約、クリニックの受付、工務店の日中の着信——では、ここを月平均で見積もると本番で溢れます。

公式が明記している落とし穴3つ

ここから先は、私が読んで「これは事前に知らないと事故る」と判断した箇所です。いずれも推測ではなく公式ドキュメントに書かれています。

① 会話を止めても、裏の仕事は止まらない

最も重要な一文がこれです。「Interrupting speech does not automatically cancel backend work」——発話を中断しても、バックエンドの処理は自動ではキャンセルされない。

会話役と仕事役を分けた構造の、そのまま裏返しです。ユーザーが「あ、やっぱりいいです」と言って音声が止まっても、裏で走り出した処理は走り続けます。ここから2つの実害が出ます。

• 費用: 止めたつもりの処理の分が請求される
• 実行: 止めたつもりの処理が本当に完了してしまう（予約の確定、メールの送信、在庫の引き当て）

後者のほうが深刻です。「キャンセルと言ったのに予約が入っていた」は、AIの品質の問題ではなく停止設計の不在です。

私は無人で動くAIジョブを毎日回していますが、同じ性質の失敗を踏んだことがあります。表示上は止まったジョブが、裏のプロセスとしては生きていて処理を完走していた、という形です。「止める」には、止める対象を明示的に指定する経路が必要で、画面を閉じることは停止ではありません。役割を分けたときに停止点をどこに置くかは、こちらで整理しています。

Claude CodeAIエージェントの役割分担｜停止点と隔離の設計

② 権限・確認・停止は「アプリ側の責任」と明言されている

公式ドキュメントはこう書いています。「Your application owns permissions, confirmations, private function execution, and durable task state」——権限、確認、非公開の関数実行、永続的なタスク状態は、あなたのアプリケーションが所有する。

読み替えると、「本当に送信していいですか」の確認をどこで出すかは、OpenAIは面倒を見ないということです。モデルを呼べば安全な確認フローが付いてくる、という期待は成立しません。

これは責任転嫁ではなく、むしろ誠実な線引きだと私は受け取りました。同時に、導入側の作業量が明確になるという意味でもあります。音声AIの導入見積もりには、モデル利用料とは別に「承認フローを作る工数」が必ず入ります。

常時稼働するエージェントにどこまで権限を渡すかの判断軸は、こちらで具体的に書いています。

AI業務効率化Grok Botとは｜常時稼働AIエージェントに渡す権限の決め方

③ 使えない機能が多い（乗り換えではなく別物）

GPT-Live 1は専用エンドポイント v1/live/sessions のみで動きます。公式のモデルページに対応表があり、次はいずれも非対応と明記されています。

• v1/responses（Responses API）／v1/chat/completions（Chat Completions）
• v1/realtime 系（Realtime、翻訳、文字起こしセッション）
• v1/audio/transcriptions（文字起こし）／v1/audio/speech（音声合成）
• v1/batch（バッチ）／v1/fine-tuning（ファインチューニング）／v1/embeddings

対応している機能はストリーミングと関数呼び出し（function calling）だけで、構造化出力（structured outputs）は非対応です。「返答を必ずJSONで受け取る」という設計は会話側では使えないので、構造が必要な処理は裏側に置くことになります。

もう1点、知識のカットオフは2025年7月31日と記載されています。最新の情報が必要な会話では、裏側での検索や自社データの参照が前提になります。

非対応エンドポイントの一覧を見ると、これは「Realtimeの上位版」ではなく別系統の製品だとわかります。既存のRealtime実装からの移行は差し替えでは済まず、公式も移行ガイドを別立てで用意しています。

2つの委任モードをどう選ぶか

裏側の動かし方は2通りあり、セッションを作る時に選びます。公式は「Choose the mode when you create the session; to change modes, start a new session」——モードを変えるには新しいセッションを開始すると明記しています。途中で切り替えられません。

公式は「まずResponses委任から始めよ」という順序で書いています。自社の既存システムを裏に置きたい、あるいはどの結果を会話に渡すかを選別したい場合にクライアント委任へ進む、という整理です。

中小企業の実務では、後者が必要になる場面が想像しやすいはずです。顧客の与信情報や仕入原価を裏で参照しつつ、会話側には結論だけを渡す——という制御は、クライアント委任でなければ組めません。

接続方式と電話統合

用途に応じて4つの接続方式が用意されています。

既存の電話・音声基盤を使っている場合は、LiveKit、Twilio、Telnyx、Daily/Pipecat 向けのパートナー統合の案内が用意されています。ゼロから音声の配管を作る必要はありません。

導入の入口としては、公式はブラウザでのWebRTCクイックスタートを勧めています。必要なのはマイクと、HTTPSまたはlocalhostで配信されるページ、そしてAPIキーを置いた信頼できるサーバーです。APIキーはサーバー側に置く（「Keep the key on the server」）と明記されている点は、そのまま守るべきです。

「音声入力」とは別物｜私の使い分け

ここを混同すると、要らないものを買います。文字起こし（音声入力）と会話は、別の製品で別の値段です。

私は日常の音声入力を3つのツールで使い分けています。速度優先のAqua Voice（レイテンシ450ミリ秒）はプロンプトの連打に、整形品質優先のTypelessは長文メールや記事の初稿に、オフライン処理のSuperwhisperは外に出せない内容のメモに使っています。「1つに絞る」より用途で切り分けたほうが速い、という結論に落ち着きました。

ただし、これらは全部片方向です。私が話し、文字になる。相手が話し返してこないので、今回のGPT-Liveとは用途が重なりません。詳しい比較はこちらです。

AI業務効率化音声入力AI比較 Typeless vs Aqua Voice vs Superwhisper｜評判・精度・料金で選ぶ完全ガイド【2026年版】

価格でも段が違います。2026年9月12日時点の公式価格ページから、時間課金の音声系を並べます。

会話は、リアルタイム文字起こしの約2.9倍、通常の文字起こしの約11倍です。しかも会話側にはこれに加えてバックエンドの費用が乗ります。

したがって判断はこうなります。「記録を残したい」だけなら文字起こしで足り、会話モデルは要りません。会話モデルが必要なのは、その場で相手に返答し、かつ裏で何かを実行する必要があるときだけです。

実際に試算してみる（音声レイヤー）

単価だけ見ても規模感がつかめないので、2つの想定で計算します。いずれも音声レイヤーのみの金額で、バックエンドの費用は含みません（後述します）。使っているのは公式価格の0.05ドル/分だけです。

想定A：短い一次受けをAIが取る

営業時間・予約可否・在庫の確認など、用件が短いものだけAIが応答し、複雑な相談は人に回す形です。

• 月間の着信: 200件
• 1件あたりの通話: 平均40秒
• 合計: 200件 × 40秒 = 8,000秒 = 約133分
• 音声レイヤーの費用: 133分 × 0.05ドル = 約6.7ドル/月

秒単位課金で切り上げがないため、短い通話が多いほど単価表の印象より安く収まります。ピーク時の同時通話が数本なら、Tier 1の25セッションで十分です。

想定B：予約受付をAIが通しで担当する

日程の調整や条件のすり合わせまでAIが対応する形です。通話が長くなります。

• 月間の着信: 600件
• 1件あたりの通話: 平均3分
• 合計: 600件 × 3分 = 1,800分
• 音声レイヤーの費用: 1,800分 × 0.05ドル = 90ドル/月

件数は3倍ですが、通話時間が4.5倍になるため費用は約13倍に伸びます。時間課金では「何件来るか」より「1件が何分続くか」が効くことが、この対比でわかります。

バックエンドの費用をどう足すか

上の金額に、裏で動くモデルと道具の費用が加わります。ここは使うモデル次第なので一律の数字が出せません。ただし見積もりに必要な項目は決まっています。

• 裏側に使うモデルの入力・出力のトークン単価（Responses委任なら選んだモデルの通常価格が適用されます）
• 1回の通話で裏に何回投げるか（毎発言ではなく、委任が必要な場面だけ）
• 1回あたりに渡す会話の文脈量
• Web検索など道具を使う場合の利用料

私の実務上の目安は、まず想定Aの規模で1か月動かし、実際の請求を見てから広げることです。トークン消費は会話の癖に強く依存するため、事前の試算は必ず外れます。数百円規模で実測が取れる料金体系なので、試算の精度を上げるより先に小さく動かすほうが早く確実です。

これは以前、画像生成の費用をAPI従量からサブスクの枠内に寄せて月3,000円を0円にしたときと同じ進め方でした。実際に動かして請求を見るまで、どこにお金が乗っているかは机上では確定しません。

導入を判断する4つの問い

私が中小企業のAI導入を伴走するときに、音声案件で必ず確認する順番です。上から潰していくと、多くのケースは途中で止まります。止まるのは悪いことではありません。

1. その場で返答する必要があるか？ 後から要約を渡せば済むなら、文字起こし（0.0045ドル/分）で終わります。会話モデルは不要です
2. ピーク時に同時に何本鳴るか？ 月間件数ではなくピーク同時数を出します。これがTier 1の25本に収まるかで、必要な利用ティアが決まります
3. 裏で実行する処理に、取り消せないものがあるか？ 送信・確定・決済が含まれるなら、承認フローと停止経路の実装が必須です（公式が自社責任と明記している範囲）。ここの工数を見積もりに入れます
4. 1回の通話は何分続くか？ これが決まらないと時間課金は見積もれません。平均ではなく長い側の実績で試算します

4番目について補足します。時間課金は会話が伸びるほど素直に増えるので、「丁寧に対応する」ことが直接コストになります。応対品質とコストがトレードオフの関係に入るのは、従来のトークン課金より体感しやすい変化です。

逆に、向いている使い方

秒単位課金で切り上げがないという仕様は、短い通話が大量に来る用途に有利です。

• 営業時間・在庫・予約可否など、20〜30秒で終わる一次応答（0.017〜0.025ドル程度）
• 一次受けだけAIが担当し、複雑な相談は人に引き継ぐ形
• 夜間・休日の不在時間帯の取りこぼし回収

「全部AIに任せる」より「短い用件だけAIが取る」ほうが、この料金体系とは相性が良いという見方です。

まとめ

GPT-Live 1は2026年9月10日に正式提供が始まった、聞きながら話せる音声対話モデルです。押さえるべき点を整理します。

• 構造: 会話役（GPT-Live）と仕事役（バックエンド）を分けた。直す場所が分かれる利点がある一方、停止の設計が必要になる
• 料金: 音声0.05ドル/分・秒単位課金・切り上げなし。ただしバックエンドは別課金で、見積もりは2本立て
• 上限: トークンではなく同時セッション数（Tier 1で25・無料ティアは対象外）。ピーク同時数で設計する
• 責任: 権限・確認・停止・タスク状態はアプリ側の所有と公式が明記。承認フローの工数を見積もりに含める
• 注意: 発話を中断しても裏の処理は自動停止しない。構造化出力は非対応。知識カットオフは2025年7月31日

音声AIは「1分いくら」で語られがちですが、実際に効くのは単価より、課金の単位と責任の線引きです。ここを読み違えると、請求書と事故報告の両方で驚くことになります。

なお本記事の価格・仕様は2026年9月12日時点に私が公式ドキュメントで確認した内容です。OpenAIの仕様と価格は更新が早いため、契約・実装の判断をされる際は公式のモデルページと公式の価格ページで最新の条件をご確認ください。

株式会社Fyveでは、こうした新しい料金体系を「自社の業務だと月いくらになるか」まで落として判断するところから伴走しています。単価表を読むところで止まらず、ピーク同時数と停止設計まで含めて設計することが、音声AI導入の失敗を防ぐ近道です。