OpenAIは2026年7月6日、API向けリアルタイム音声モデルの新版gpt-realtime-2.1とgpt-realtime-2.1-miniを公開しました。
📖 この記事で分かること
- gpt-realtime-2.1 と mini の公開日と要点
- レイテンシと機能面で何が変わったか
- 2モデルの料金差と使い分けの目安
- 音声エージェント開発への影響
💡 知っておきたい用語
- p95レイテンシ:応答時間の遅い方から5%を除いた「ほぼ最悪」の待ち時間。体感速度に直結する指標
最終更新日: 2026年7月7日
▶ 公式ページ
- Realtime を試す(Playground)(OpenAI Platform)
- 新Realtimeモデルの公式アナウンス(OpenAI Developer Community)
OpenAI が API 向け音声モデルの新版を公開
OpenAI は 2026年7月6日、API 向けリアルタイム音声モデルの新版「gpt-realtime-2.1」および軽量版「gpt-realtime-2.1-mini」を公開しました(2026年7月時点)。
この記事のポイント
- OpenAI が 2026年7月6日、音声モデル gpt-realtime-2.1 / gpt-realtime-2.1-mini を公開(2026年7月時点)。
- Realtime 音声モデル全体で p95 レイテンシを「少なくとも25%」削減。英数字認識や割り込み挙動も改善。
- Playground と API で利用可能。用途に応じて標準版と mini を使い分ける形。
今回の更新は、電話応対や音声アシスタントのような対話型ユースケースで重要になる「応答の速さ」と「聞き取りの正確さ」に焦点を当てたものです。数値の中心は、Realtime 音声モデル全体で p95 レイテンシを少なくとも25%削減した点にあります。
何が変わったのか
改善は速度だけではありません。OpenAI は主に次の点を挙げています。
- 英数字認識(alphanumeric recognition)の改善
- 無音・ノイズ処理の改善
- 割り込み(interruption)挙動の改善
英数字認識は、電話番号・注文番号・認証コードなど「聞き間違いが致命的になる情報」の精度に効く部分です。割り込み挙動の改善は、ユーザーが話し始めたときにモデルが自然に発話を止める、といった対話の自然さに関わります。
機能面では、調整可能な推論量(configurable reasoning effort)、指示追従(instruction following)、ツール利用(tool use)に対応します。音声のやり取りの中でツールを呼び出す構成が組みやすくなります。
一方で、精度やベンチマークの具体的なスコアは公式では数値未発表です。改善幅は「少なくとも25%」のレイテンシ削減以外、定量的な比較値は示されていません。
料金と使い分け
2つのモデルは料金が大きく異なります。100万トークンあたりの料金は次の通りです(2026年7月時点)。
| 項目 | gpt-realtime-2.1 | gpt-realtime-2.1-mini |
|---|---|---|
| テキスト入力 | $4.00 | $0.60 |
| テキストキャッシュ | $0.40 | $0.06 |
| テキスト出力 | $24.00 | $2.40 |
| 音声入力 | $32.00 | $10.00 |
| 音声キャッシュ | $0.40 | $0.30 |
| 音声出力 | $64.00 | $20.00 |
音声出力で見ると mini は標準版の約3分の1、音声入力でも3分の1弱です。大量の通話をさばくコールセンター用途では mini、品質を優先する場面では標準版、という切り分けが基本になります。両モデルとも Playground および API 経由で利用できます。
編集部の見方
位置づけ: バージョン番号が示す通り、これは基盤刷新ではなく 2.x 系の実務的な改良版です。派手な新機能より、英数字認識・割り込み・レイテンシという「音声エージェントが実運用でつまずく箇所」を狙って詰めてきた点が実務者向けです。
コスト観点: mini の音声料金は標準版の約3分の1で、通話量が読めない初期フェーズや検証段階では mini から入る判断がしやすい構成です。推論量を調整できるため、精度と速度・コストのバランスを用途ごとに寄せられます。
注意点: 公式がベンチマーク数値を出していないため、レイテンシ以外の改善幅は自分の音声データで実測して確かめる必要があります。特に英数字認識の精度は、扱う情報(電話番号・コード類)の性質で効き方が変わります。
まとめ
OpenAI は 2026年7月6日、gpt-realtime-2.1 と gpt-realtime-2.1-mini を公開しました。p95 レイテンシを少なくとも25%削減し、英数字認識・ノイズ処理・割り込み挙動を改善しています。料金は用途に応じて2モデルを使い分ける形で、いずれも Playground と API で利用できます。
よくある質問
Q: gpt-realtime-2.1 と mini はどう違いますか?
A: 主な違いは料金です。mini は音声入出力の料金が標準版のおよそ3分の1で、大量の通話を低コストでさばく用途に向きます。改善点(レイテンシ削減・英数字認識など)は両モデルに共通します。
Q: どれくらい速くなりましたか?
A: OpenAI は Realtime 音声モデル全体で p95 レイテンシを「少なくとも25%」削減したとしています。これ以外の定量的な性能値は公式では未発表です。
Q: どこで使えますか?
A: Playground(platform.openai.com/audio/realtime)と OpenAI の API 経由で利用できます。
【用語解説】
- Realtime API: 音声をストリーミングで入出力し、低遅延で対話できる OpenAI の API 系統。電話応対や音声アシスタントに使われる
- 推論量(reasoning effort): モデルがどれだけ「考えるか」を調整する設定。多くすると精度が上がりやすく、少なくすると速く・安くなる傾向がある
- 割り込み(interruption): ユーザーが話し始めたときにモデルが発話を止める挙動。対話の自然さに直結する
引用元:
- [1] New Realtime models on the API: gpt-realtime-2.1 and gpt-realtime-2.1-mini(OpenAI Developer Community)
- [2] ChatGPT — Release Notes(OpenAI Help Center)
この記事について: AI 支援で執筆、編集部が事実確認・編集しています。誤りや追加情報があれば Contact よりお知らせください。
Previous Post
Poolside、オープンウェイトのコーディングモデル Laguna XS 2.1 を公開
Next Post
生成AIニュース 昨日（2026-07-07）のAI公式発表を3分でチェック
15 年以上の開発経験を持つソフトウェアエンジニア / テクノロジーライター。AI エージェントの実務活用を研究し、現場や経営者向けセミナーでその知見を発信。本メディア tech-noisy.com では、一次情報に基づく最新ニュース・解説記事を執筆。また、音楽生成 AI による DJ パフォーマンスを企業イベントで行うなど、テクノロジーと表現の融合も探求している。
