OpenAIが音声会話モデル「GPT-Live-1」をAPIで提供開始 — 全二重通話とバックエンド委譲、1分0.05ドル

OpenAIは2026年9月10日（UTC）、開発者向けAPIで新しい音声会話モデル GPT-Live-1（モデルID: gpt-live-1）の提供を始めた。聞き取りと発話を同時に行う**全二重（full-duplex）**のリアルタイム音声モデルで、推論やツール実行をバックエンドに委譲しながら会話を続ける構成が中心。公式APIドキュメントにモデルページと利用ガイドが公開されている。

全二重会話と委譲アーキテクチャ

• 全二重の音声会話: ドキュメントによれば、GPT-Liveは発話しながら音声入力を聞き取ることができ、滑らかな割り込み処理を備えた自然で表現力のある音声会話向けのモデルと位置づけられている。
• 二部構成: 会話の進行はGPT-Liveが担い、情報検索・ツール利用・タスク実行はバックエンドに委譲（delegation）する。委譲中も会話は継続し、結果が返ってきたら音声で伝える。
• 2つの委譲方式: OpenAIが管理するResponsesモデルをバックエンドにするResponses委譲と、自前のモデルやエージェント基盤をつなぐclient委譲がある。方式はセッション作成時に選択し、変更には新規セッションが必要。
• 従来のRealtimeとの違い: Realtime APIでは音声・推論・ツール選択を単一モデルで扱うのに対し、GPT-Liveでは会話モデルとバックエンドを分離できる。Realtimeやテキスト型エージェントからの移行ガイドも用意されている。

エンドポイント・料金・仕様

• 専用エンドポイント: v1/live/sessions で提供される。Chat Completions（v1/chat/completions）やResponses（v1/responses）、Realtime（v1/realtime）の各エンドポイント経由では利用できない。
• 料金: 音声セッションは1分あたり0.05ドルで、秒単位の課金（分単位への切り上げなし）。バックエンドのモデル・ツール利用分は別途課金される。
• 入出力: 入力は音声とテキスト、出力は音声とテキスト。画像・動画は未対応。知識カットオフは2025年7月31日と記載されている。
• 機能: ストリーミングとfunction callingに対応。構造化出力（structured outputs）、ファインチューニング、predicted outputsには対応しない。
• レート制限: 同時セッション数で管理され、Tier 1で25、Tier 2で50、Tier 3で200、Tier 4で300、Tier 5で500と記載されている。Free tierは対象外。

接続方式と電話・パートナー連携

• WebRTC: ブラウザ向け音声アプリ用。音声はメディアトラック、JSONイベントはデータチャネルで運ぶ。クイックスタートではマイク入力・スピーカー出力とWeb検索バックエンドの例が示されている。
• WebSocket: サーバー側の音声統合向け。音声と制御イベントを主要ソケットで運ぶ。
• サーバー側制御と電話連携: 既存セッションへのバックエンド接続用サイドバンドや、電話統合向けのTelephony・SIPのパスが用意されている。
• パートナー連携: LiveKit、Twilio、Telnyx、Daily／Pipecatで構築済みのアプリ向けに、既存メディアパスに応じた接続選択の概要ドキュメントが整備されている。

音声エージェントの本番投入に向けて、遅延・コスト最適化や評価（voice agent evaluation）の資料もあわせて公開されている。料金や同時セッション上限などは変更される可能性があるため、導入時はモデルページの最新記載の確認が必要だ。

出典

• Getting started with GPT-Live | OpenAI API
• GPT-Live 1 | OpenAI API