OpenAI の新音声 AI ～ 推論・翻訳・文字起こしをリアルタイムで実現する 3 モデル ～

OpenAI が 2026年 5月 7日、リアルタイム音声 AI の新モデルを 3 つ発表しました。推論機能を備えた GPT-Realtime-2、70以上の言語から翻訳できる GPT-Realtime-Translate、発話と同時に文字起こしする GPT-Realtime-Whisper です。3 モデルはいずれも Realtime API で利用可能で、開発者向けに新しいカテゴリの音声アプリが作れるようになります。

今回発表された音声 AI の新モデルは、それぞれ異なる役割を持っています。 **GPT-Realtime-2** は、GPT-5 クラスの推論能力を持つ初めての音声モデルです。難しい質問にも対応しながら、会話をスムーズに続けられるよう設計されています。話し言葉の訂正や割り込みにも自然に対処できるのが特徴です。 **GPT-Realtime-Translate** は、70以上の言語の音声を受け取り、13の出力言語に変換するリアルタイム翻訳モデルです。話者のスピードに合わせて翻訳を行うため、会議や通話のその場で使える実用的な設計になっています。 **GPT-Realtime-Whisper** は、リアルタイムの文字起こしモデルです。話しながら即座にテキスト化できるため、会議の議事録作成や字幕表示といった用途に向いています。

これまでの音声 AI は、即座に返答する反面、複雑な質問や文脈を要する会話は苦手な面がありました。GPT-Realtime-2 では、GPT-5 クラスの推論エンジンを音声処理に組み込んだことで、話しながら考える能力が大幅に向上しています。 OpenAI によると、このモデルは「ライブ音声での会話を続けながら、リクエストを処理し、ツールを呼び出し、訂正や割り込みにも対応し、その場に合った返答ができる」ことを目指して設計されています。単なる音声認識にとどまらず、会話の文脈を理解したうえで次のアクションを判断できる点が大きな進化です。

GPT-Realtime-Translate は、多言語対応の国際的なビジネスや教育現場での活用が期待されます。70言語以上の音声入力を受け付け、13言語に出力できます。日本語への・日本語からの翻訳にも対応しているか、今後の公式情報で確認が必要です。 GPT-Realtime-Whisper は、低遅延での文字起こしを実現するモデルです。会話が進むにつれてリアルタイムでテキストが生成されるため、字幕が「あとから追いかける」感覚ではなく、話者と同時進行で表示されます。

3 モデルはいずれも OpenAI の Realtime API を通じて提供されます。価格はそれぞれ以下のとおりです。 – **GPT-Realtime-2**：音声入力 100万トークンあたり $32（キャッシュ済み入力は $0.40）、音声出力は $64 – **GPT-Realtime-Translate**：1 分あたり $0.034 – **GPT-Realtime-Whisper**：1 分あたり $0.017 OpenAI の Playground でテストできるほか、Codex がインストール済みの開発者はプロンプトを送信するだけで GPT-Realtime-2 を既存アプリに追加したり、新しいアプリを作成したりできます。

今回の発表で、AI が「しゃべる」だけでなく「考えながらしゃべる」時代が近づいてきました。GPT-Realtime-2 を使えば、電話対応や外国語会話の補助など、私たちの日常生活でも活躍する場面が増えてきそうです。GPT-Realtime-Translate は旅行や国際会議での通訳、GPT-Realtime-Whisper は会議の自動議事録といった使い方が考えられます。まずは開発者向けの提供ですが、こうした機能が身近なアプリに組み込まれていくのが楽しみです。