OpenAI新機能「gpt-realtime」は、より自然で人間に近い会話を実現

2025年8月28日、OpenAIが発表した「gpt-realtime」は、AI音声対話技術における画期的な進歩を示しています。
この新しい音声対話モデルは、これまでの音声AI技術を大きく上回る性能を実現し、より自然で人間らしい対話を可能にする革新的な機能を搭載しています。
発表直後から開発者コミュニティでも大きな注目を集めており、多くの専門家がその可能性について議論を交わしています。

【⚡️速報】ChatGPT 音声APIが大幅アプデ

OpenAIがRealtime APIを正式公開。新モデルgpt-realtimeは認識精度82.8%を達成

・画像入力
・電話対応
・設定の使い回し
・外部ツール連携（MCP）

と新機能搭載。価格は20%削減で月32ドル/1Mトークンから。企業導入が加速しそう↓pic.twitter.com/PHK3W2NLXT

— チャエン | デジライズ CEO《重要AIニュースを毎日最速で発信⚡️》 (@masahirochaen) August 28, 2025

gpt-realtimeが実現する4つの革命的な進化

gpt-realtimeは単なる音声認識の精度向上にとどまらず、音声エージェントが実世界で機能するために必要な4つの核心的な能力を大幅に向上させました。
これらの進化により、AIとの音声対話がこれまでにない自然さと実用性を獲得しています。
OpenAIによると、この新モデルは同社が提供する中でも最も先進的な音声対話（speech-to-speech）モデルとして位置づけられており、音声エージェントとして実用段階にあると謳われています。

音質の飛躍的向上：感情豊かな表現力の実現

最も注目すべき改善点は、音声の自然さです。
gpt-realtimeは機械的で単調な音声から脱却し、人間のようなイントネーション、感情表現、適切な話すペースを習得しました。
開発者は「早口でプロフェッショナルに話してください」や「共感的にフランス語訛りで応答してください」といった、非常に細かなニュアンスまで指定できるようになっています。

新たに「Cedar」と「Marin」という2つの音声が追加され、これらはRealtime API限定で利用可能です。
これらの新音声は既存の8つの音声と合わせて大幅な品質向上を実現しており、より魅力的で自然な対話体験を提供します。
非言語的合図（笑い声など）の捕捉、文中での言語切り替え、トーンの調整も可能になっています。

知能と理解能力の深化：非言語情報の読み取り

gpt-realtimeの革新的な特徴として、単語だけでなく笑い声などの非言語的な合図を認識できる点があります。
また、会話の途中で言語が切り替わっても適切に対応し、文脈に応じて「きびきびとプロフェッショナル」または「親切で共感的」といったトーンを使い分けることができます。

推論能力を測定するBig Bench Audio評価では、従来モデルの65.6%から82.8%へと大幅な精度向上を達成しました。
この数値は、より複雑な質問や要求にも適切に応答できる能力の向上を明確に示しています。
内部評価によれば、日本語を含む英語以外の言語で英数字列（電話番号など）を検出する精度も向上しているとのことです。

AI技術の進歩に注目している専門家の間では、「これまでの音声AIとは次元が違う自然さを実現している」との評価が多く見られており、特に複雑な指示の理解やツールの正確な呼び出し能力の向上が注目されています。

【速報】OpenAIが新しいAI音声モデルを発表

– gpt-realtime: gpt-4oより性能が向上した音声モデルで画像入力にも対応
– Realtime APIが正式リリース、MCPなどに対応 pic.twitter.com/PkV8jZjo0B

— ChatGPT研究所 (@ctgptlb) August 28, 2025

「聞き間違えがほとんどない」「応答の遅延がほぼ感じられない」など、従来の音声AIと一線を画す進化が指摘されています。

Realtime APIの革新的な新機能

gpt-realtimeの能力を最大限に引き出すため、Realtime APIには実用性を大幅に高める3つの新機能が追加されました。
これらの機能により、音声エージェントの適用範囲が飛躍的に拡大しています。
昨年10月にパブリックベータ版として公開されたRealtime APIの一般提供が開始され、本格的な商用利用が可能になりました。

MCPサーバーサポート：外部ツール連携の簡素化

MCP（Model Control Protocol）サーバーのサポートにより、開発者は音声エージェントに様々な外部ツールを簡単に接続できるようになりました。
例えば、決済処理のためのStripe、顧客情報検索システム、在庫管理システムなど、必要なサービスのMCPサーバーURLを指定するだけで、エージェントがそれらのツールを自動的に呼び出せます。

これは従来の複雑な API 統合作業を大幅に簡素化し、開発者がより短期間で高機能な音声アプリケーションを構築できることを意味します。
リモートMCPサーバーのサポートにより、音声エージェントは追加のツールやコンテキストにアクセスできるようになり、より高度な機能を実現できます。

画像入力機能：視覚的コンテキストの統合

音声対話に画像要素が加わることで、これまで以上に豊かで実用的な対話が可能になりました。
ユーザーは写真やスクリーンショットを共有しながら、「これは何に見えますか？」「このスクリーンショットのテキストを読んでください」といった質問ができます。

この機能により、カスタマーサポートでは製品の故障部分の写真を見ながらトラブルシューティングを行ったり、教育現場では教科書の図について詳しく質問したりといった実用的な応用が可能になっています。
システムは画像をライブ動画ストリームのように扱うのではなく、会話に写真を追加するように扱うため、アプリ側で画像の共有タイミングを完全に制御できます。

SIPサポート：電話システムとの直接統合

SIP（Session Initiation Protocol）のサポートにより、gpt-realtimeは従来の電話網と直接接続できるようになりました。
これにより、公衆電話網、企業のPBXシステム、固定電話など、様々な電話システムにAIエージェントを統合することが可能です。

コンタクトセンターの自動応答システムをより人間らしい対話が可能なgpt-realtimeエージェントに置き換えたり、レストランの予約受付を完全自動化したりといった実用的な応用が期待されています。
SIP通話への対応により、公衆電話網などへの接続が可能になったことは、ビジネス活用の幅を大きく広げる要因となっています。

性能指標で見る圧倒的な進歩

gpt-realtimeの性能向上は、具体的なベンチマーク結果で明確に証明されています。
指示追従精度を測定するMultiChallenge評価では、従来の20.6%から30.5%へと大幅な向上を実現しました。
これは、複数ターンにわたる複雑な対話においても一貫した役割を演じ続けられる能力が大幅に向上したことを示しています。

さらに重要なのは、ファンクションコール性能の向上です。関数呼び出し性能を測定するComplexFuncBench評価において49.7%から66.5%への改善が確認されており、外部ツールとの連携においてより信頼性の高い動作が期待できます。
これにより、実用的な音声エージェントの構築がより現実的になりました。

OpenAIは、関数呼び出しを「関連する関数の呼び出し」「適切なタイミングでの関数の呼び出し」「適切な引数での関数の呼び出し」という3つの軸で改善したと説明しており、これらの改善により精度が大幅に向上しています。
非同期ファンクションコールもネイティブサポートされ、長時間実行される関数呼び出しによってセッションの流れが中断されることがなくなりました。

安全性とプライバシーへの配慮

OpenAIは技術革新と同時に、安全性の確保にも力を入れています。
Realtime APIには悪用防止のための多層的な安全対策が組み込まれており、有害コンテンツが検知された場合には自動的に会話を停止する機能も備えています。
アクティブ分類器を採用しており、ポリシーに違反する会話が検知された場合には特定の会話を停止することができます。

プライバシー面では、なりすまし防止のためプリセット音声のみを使用する仕組みを採用し、EU拠点のアプリケーション向けにはEU Data Residencyを完全サポートしています。
また、OpenAIの利用ポリシーに従い、エンドユーザーには文脈から明らかでない限り、AIとの対話であることを明確に伝える必要があります。
悪用防止のための保護層・対策機能も組み込まれているとのことです。

価格体系の改善と導入障壁の軽減

gpt-realtimeは従来のプレビュー版と比較して20%の価格引き下げを実現しており、音声入力が100万トークンあたり32ドル、音声出力が100万トークンあたり64ドルに設定されています。
この価格改善により、より多くの開発者や企業が音声AI技術を導入しやすくなりました。

また、開発者がコストを最適化できるよう、会話コンテキストに対するきめ細かい制御機能も提供されています。
インテリジェントなトークン制限の設定や、複数ターンをまとめて切り詰める機能により、長時間のセッションでもコストを大幅に削減できます。
キャッシュされた入力トークンは100万トークンあたり0.40ドルという低価格で提供されています。

実用化に向けた今後の展望

gpt-realtimeの登場により、音声AIは実験段階から本格的な実用段階へと移行しました。
OpenAIは、このモデルがカスタマーサポート、パーソナルアシスタント、教育といった実世界のタスクにおいて顧客との緊密な連携のもと訓練されたと説明しており、開発者が音声エージェントを構築・展開するのに適していると位置づけています。

特に注目すべきは、システムメッセージや開発者向けプロンプトの解釈能力も向上している点です。
サポートコールで免責事項のスクリプトを逐語的に読み上げたり、英数字を繰り返したり、文の途中で言語をシームレスに切り替えたりすることができるようになっています。これにより、より柔軟で実用的な音声アプリケーションの開発が可能になっています。

まとめ：音声AI技術の新たな地平

OpenAIのgpt-realtimeは、音声認識技術において重要な転換点を示しています。
より自然な音声表現、高度な理解能力、優れた指示追従性、そして実用的な外部ツール連携機能により、AIとの音声対話は新たな次元に到達しました。

この技術革新は、開発者がより創造的で価値の高い音声アプリケーションを生み出すための強力な基盤を提供しており、今後の音声AI市場の発展に大きな影響を与えることが予想されます。
gpt-realtimeの優れた音声認識技術は、私たちの日常生活におけるAIとの関わり方を根本的に変える可能性を秘めており、音声インターフェースの新時代の到来を告げています。

参考

• OpenAI、「gpt-realtime」を発表
• OpenAI gpt-realtime詳細解説
• gpt-realtime の概要 と Realtime API の新機能
• X投稿 – masahirochaen
• X投稿 – ctgptlb