OpenAI、GPT-5級推論を音声へ——GPT-Realtime-2をAPIで公開

リアルタイム音声推論の新章

OpenAIはGPT-5クラスの推論能力を備えたリアルタイム音声モデルGPT-Realtime-2をAPIで公開した。音声エージェントが会話の流れの中で推論・行動できるようにし、単純な一問一答の枠組みを超えた新世代の音声AIを目指している。

同時リリースのストリーミングモデル

GPT-Realtime-2と同時に、2つのストリーミングモデルも追加された。

• GPT-Realtime-Translate: 70以上の入力言語から13の出力言語へのリアルタイム音声翻訳
• GPT-Realtime-Whisper: 発話と同時にテキストを生成するストリーミング音声文字起こし

音声AIのパラダイムシフト

GPT-Realtime-2は、割り込みへの対応や長い会話のコンテキスト維持、複雑なリクエストへのリアルタイム推論を実現する。以前のRealtime APIと比較して、コンテキストウィンドウも32Kから128Kに拡張された。

価格

GPT-Realtime-2のオーディオ入力トークン価格は$32/100万トークンで、APIですぐに利用可能だ。