電話窓口を持つ会社はGPT-Live-1の1分7.7円を無視できない

GPT-Live-1は聞きながら話し重い処理を裏のAIに任せる

OpenAIが9月10日に公開したGPT-Live-1は、話しながら同時に相手の声を聞き取れるフルデュプレックス方式の音声AIのAPIです。従来の音声モデルは音声をテキストに変換し、AIが処理してから再び音声に戻す連結方式でした。モデル間の受け渡しで遅延が起き、割り込みにも弱いという問題を抱えていました。

GPT-Live-1はこの流れを1つのモデルにまとめています。相手が話し始めたら即座に反応できます。カフェの雑音にも不要な応答をせず、長時間のやり取りでも文脈を保てます。

もう1つの特徴は処理の分離です。日常の会話はGPT-Live-1が担当し、ウェブ検索や推論といった重い作業はGPT-6 Astraやサードパーティ製のモデルに自動で委任します。裏で処理している間も会話は途切れません。

GPT-Live-1はすでにChatGPTの新しい音声モードを支えるモデルとして動いています。今回のAPI公開で外部の開発者も同じ技術を自社のサービスに組み込めるようになりました。

音声部分は1分0.05ドルで裏のAI処理は別にかかる

GPT-Live-1の音声レイヤーの料金は1分あたり0.05ドル（約7.7円）です。これは声を聞いて返す部分だけの値段で、裏で動かすモデルの料金は含まれていません。

料金体系は「音声レイヤー＋バックエンドモデル」の2層構造です。音声レイヤーは1分単位の固定料金で、バックエンドはトークン量に応じた課金になります。軽い問い合わせなら安く済み、検索や推論を含む対話は高くなります。

OpenAIの計測では、前世代のGPT-Realtime-2.1と比べてFull Duplex Benchのスコアが30%向上しています。GPT-6 Astraと組み合わせた場合、音声エージェントの総合力を測るTau3ベンチマークで1位を記録しました。

電話対応AIが1分7.7円なら問い合わせ窓口の計算が変わる

GPT-Live-1は電話への対応を正式に想定しています。レストランの予約やカスタマーサポートといった用途で、音声エージェントを電話回線に直接つなげられます。

開発パートナーとして参加したEliseAIは住宅・医療向けのAIを提供する企業です。同社は「2024年に最初の音声モデルが出たときから本番投入を目指していた。ようやくその段階に来た」と語っています。

開発者はシステムプロンプトで話し方のトーンや速さを設定できます。相手の声のトーンや感情に合わせて反応を変え、言語や返答の長さも指定できるため、用途ごとに振る舞いを作り分けられます。

APIは9月10日から使えて対応言語はこれから増える

GPT-Live-1のAPIは9月10日から利用できます。複数の音声オプションが用意されていて、アクセントや方言を含む幅広い選択肢から選べます。対応言語は今後数か月で広がる予定です。

導入を検討するなら、音声レイヤーとバックエンドの合計額を先に試算しておきたいところです。1件の問い合わせが平均何分かかるかを掛け合わせれば月額の目安が出ます。

まずはChatGPTの音声モードで品質を確かめてからAPIでの開発に進むのも1つの方法です。対応言語が広がるまでの間に仕様を理解しておけば、言語の追加と同時に開発を始められます。