GPT‑Live‑1 API、全二重音声とバックエンド推論を分離――音声レイヤーは1分あたり0.05ドル

OpenAIは9月10日、[GPT‑Live‑1 API](https://openai.com/index/introducing-gpt-live-1-in-the-api/)を公開した。これは、既存の音声認識、テキストモデル、音声合成からなる3段階のパイプラインを単一のエンドポイントにまとめたものではない。単一のフロントエンドモデルが入力音声と出力音声を同時に処理し、間、相づち、背景の会話、ユーザーによる発話途中の言い直しを判断する。データの検索、ツールの呼び出し、長時間の思考が必要な場合、フロントエンドはテキストコンテキストをGPT‑6 Astra、ほかのOpenAIモデル、またはサードパーティーのバックエンドに委任でき、その間も音声でのやり取りを継続できる。

この分離により、エンジニアリングチームは低レイテンシーの音声レイヤーと、コストの異なる推論レイヤーをそれぞれ独立して選択できる。また、割り込みのたびにASR、対話状態、TTS間の同期を再構築する必要もなくなる。APIは、認識トランスクリプト、応答テキスト、キーワードバイアス、ターン検出をネイティブに提供し、電話での利用にも対応する。OpenAIによると、Full Duplex BenchにおいてGPT‑Live‑1はGPT‑Realtime‑2.1を30パーセントポイント上回った。また、Astra mediumと組み合わせた場合、Tau3のエンドツーエンド音声エージェントテストでも首位となった。ただし、これらはベンダーが実施した管理環境下での評価であり、バックエンドモデルや推論強度も異なるため、結果を音声モデルだけに帰属させることはできない。

音声レイヤーの料金は1分あたり0.05ドルで、バックエンドモデルとツールの利用料は別途発生する。[サードパーティーによる技術解説](https://www.orcarouter.ai/blog/gpt-live-1-api-release)でも、独立したLiveエンドポイントを使用しており、既存のRealtimeアプリケーションでモデル名を置き換えるだけでは移行できないと指摘されている。導入事業者は特に、割り込み後の処理キャンセルのセマンティクスを検証すべきだ。音声出力が停止しても、バックエンドのツール実行が停止したとは限らない。今後注目すべき点は、繁体字中国語や多言語混在時のターン判定、電話回線のジッター発生時におけるレイテンシー、そして長時間の無音やバックエンド待機によって生じる通話1件あたりの実際のコストである。