OpenAI、GPT-5級推論の音声AI「GPT-Realtime-2」など3モデルをリアルタイムAPIで一斉公開

概要

※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。

OpenAIは2026年5月7日、Realtime APIを通じた音声AI基盤を大幅に刷新し、新たに3種類のモデルを一斉に公開した。中心となる「GPT-Realtime-2」はGPT-5相当の推論能力を音声対話に実装したモデルで、128,000トークンのコンテキストウィンドウに対応する。あわせて、リアルタイム翻訳に特化した「GPT-Realtime-Translate」と、音声文字起こしの「GPT-Realtime-Whisper」も公開されており、3モデルを業務用途に応じて組み合わせることが可能になった。

事実のポイント

• GPT-Realtime-2の主な仕様: コンテキストウィンドウ128Kトークン（前世代の32Kから4倍に拡張）。Big Bench Audioベンチマークで96.6%の精度を達成し、前世代比15.2ポイント向上
• GPT-Realtime-Translate: リアルタイム多言語翻訳に特化したモデル。料金は1分あたり約0.034ドルと、従来の通訳コストに比べ大幅に低廉
• GPT-Realtime-Whisper: ストリーミング対応の音声文字起こしモデル。リアルタイムおよびバッチ処理の両エンドポイント、多言語対応、話者分離（ダイアライゼーション）、タイムスタンプ付与に対応
• 料金体系: GPT-Realtime-2は入力トークン100万件あたり32ドル・出力100万件あたり64ドル
• 対象ユーザー: Realtime API経由での利用。企業・開発者向けに即時提供開始

用語・背景の補足

• Realtime API: OpenAIが提供する、テキストと音声をリアルタイムで処理するためのAPI。カスタマーサポートbotや音声エージェントなどの構築に活用される
• コンテキストウィンドウ（Context Window）: モデルが一度に処理できるトークン（文字・単語の単位）の最大量。128Kとは日本語で数十万文字相当を指し、長い会話や複雑な業務フローにも対応できる
• 話者分離（ダイアライゼーション）: 複数人が話す音声データから、誰がどこで発話したかを分離・識別する技術。会議の議事録作成などに有用

注意点

• 料金は2026年5月時点のものであり、変更される可能性がある
• Big Bench Audioのスコアは特定の評価環境での数値であり、実務利用での精度は用途・言語・音声品質によって異なる
• 多言語対応の具体的な言語・精度はOpenAI公式ドキュメントを参照のこと

編集部見解

（追記予定）