音声 OpenAI
GPT-Realtime-2.1
OpenAI の音声対話モデル。音声を聞いて音声で答え、推論とツール呼び出しもできる。音声エージェントを作るためのモデル。
- 用途
- 音声
- 料金の目安
- 音声 入力 $32・出力 $64 / 100万トークン（テキスト 入力 $4・出力 $24）
- 公開日
- —
スペックと料金
- 用途
- 音声
- 提供元
- OpenAI
- 公開日
- —
- 入力と出力
- 音声→音声・テキスト・画像入力
- 料金の目安
- 音声 入力 $32・出力 $64 / 100万トークン（テキスト 入力 $4・出力 $24）
- 重みの公開
- なし
- 使い方と料金
- OpenAI API（Realtime API）の従量課金
- 得意なこと
- 電話の自動応答、ツールを呼び出す音声エージェント、割り込みの多い自然な会話
使える場所
- OpenAI API音声 入力 $32・出力 $64 / 100万トークン
仕様と料金は、公式ページ（2026年11月8日時点）にもとづきます。
詳しい説明
OpenAI の Realtime API で使う、音声から音声へ直接やり取りするモデルです。GPT-Realtime-2 を改良し、英数字の聞き取り、無音・雑音の扱い、割り込みへの反応を良くしたと説明されています。
- 入力：テキスト・音声・画像、出力：テキスト・音声
- 推論の強さ（reasoning effort）を設定できる。強くすると遅延と出力トークンが増える
- ツール呼び出し（Function calling）、プロンプトキャッシュに対応
- 文脈長 12.8万トークン、最大出力 3.2万トークン
小型版の GPT-Realtime-2.1 Mini もあります。
詳しい情報
- シリーズ
- GPT-Realtime
- 細かい分類
- 音声対話
- 入力できるもの
- テキスト、音声、画像
- 出力できるもの
- テキスト、音声
- 対応している機能
- 音声対話、ツール呼び出し、推論モード、画像の理解、プロンプトキャッシュ、ストリーミング
- 提供状況
- 一般提供
- API のモデル ID
- gpt-realtime-2.1
- 最大出力
- 32 千トークン
- 学習データの時点
- 2024年9月
- 関連するモデル
- GPT-Transcribe、Eleven v4、Sonic 3.6
| プラン・条件 | 料金 | 補足 |
|---|---|---|
| 音声 | 入力 $32 / 出力 $64（100万トークン） | キャッシュ入力 $0.40 |
| テキスト | 入力 $4 / 出力 $24（100万トークン） | キャッシュ入力 $0.40 |
| 画像 | 入力 $5（100万トークン） | キャッシュ入力 $0.50 |
| gpt-realtime-2.1-mini（音声） | 入力 $10 / 出力 $20（100万トークン） | キャッシュ入力 $0.30 |