OpenAIが新リアルタイム音声モデル3種を公開——70言語以上の同時翻訳・GPT-5クラスの推論に対応

概要

OpenAIは2026年5月7日、APIで利用できるリアルタイム音声モデルの新世代3種を発表した。GPT-5クラスの推論能力を持つ「GPT-Realtime-2」、70言語以上の音声入力に対応するリアルタイム翻訳モデル「GPT-Realtime-Translate」、発話と同時に文字起こしを行う「GPT-Realtime-Whisper」の3モデルが開発者向けに提供開始された。

※本記事は公開情報をもとに編集部が再構成したサマリです。一次情報は出典欄をご参照ください。

事実のポイント

• GPT-Realtime-2:

  • GPT-5クラスの推論能力を持つ初のリアルタイム音声モデル
  • 内部的に推論を行ってから発話するため、複雑な質問への対応が改善
  • 拡張されたコンテキストウィンドウで長い会話の文脈を保持
  • 価格：入力100万トークンあたり32ドル（キャッシュ入力0.40ドル）、出力100万トークンあたり64ドル

• GPT-Realtime-Translate:

  • 70言語以上の音声入力を受け取り、13言語の音声・テキストに翻訳
  • 話者のペースに合わせて入力言語を自動検出・翻訳
  • 価格：1分あたり0.034ドル

• GPT-Realtime-Whisper:

  • 発話に合わせてリアルタイムでストリーミング文字起こし
  • 価格：1分あたり0.017ドル

用語・背景の補足

「リアルタイム音声API」は、ユーザーの音声を録音してからサーバーに送信して処理するのではなく、音声を話しながら並行して処理するためのAPI。レイテンシが大幅に低下し、自然な会話体験を実現できる。

「GPT-5クラスの推論」とは、GPT-5以降に導入された段階的思考（内部的に複数ステップを検討してから回答する）能力を音声でも利用できることを意味する。従来のリアルタイム音声モデルはこの推論能力が制限されていた。

「ストリーミング文字起こし」とは、発話が終わってから文字起こしを行うバッチ処理ではなく、話しながらリアルタイムで文字に変換する処理。テレビの字幕や会議のリアルタイム議事録作成に適用しやすい。

解説

今回の3種類のモデル公開は、音声インターフェースとAIの統合が実用フェーズに入っていることを示す。会議の自動翻訳・音声入力による業務処理・多言語カスタマーサポートなど、ビジネス活用の範囲が広がる。

特に注目されるのはGPT-Realtime-Translateの70言語以上対応だ。日本語を含む多くのアジア言語からの翻訳を音声でリアルタイムに行えることで、多言語チームでの会議やグローバル顧客対応に実用的な精度を持って使えるようになる可能性がある。

価格面では、GPT-Realtime-2の出力コスト（100万トークンあたり64ドル）はテキストモデルと比較して高い水準だが、音声処理の計算コストを反映している。GPT-Realtime-TranslateとWhisperは分単位の課金で計画が立てやすい。

注意点

• APIとして提供されるため、エンドユーザーが直接利用するにはアプリケーション開発が必要
• リアルタイム翻訳は言語の組み合わせや話者の速度・アクセントにより精度が変動する
• 価格は変動する可能性があり、OpenAIの公式ページで最新情報を確認することを推奨

編集部見解

（追記予定）