AIREITER音声エージェントは、発話の合間に少し間が空いたり、話題が変わったり、ツールの応答を待ったり、30分近く接続し続けたりした途端に、想定より高くつくことがあります。Gemini 3.8 LiveとGPT-Live-1は、この問題を異なる形で表面化させます。Geminiはトークン単位で課金され、保持されるコンテキストの影響を受けます。一方、GPT-Live-1は音声レイヤーを1分あたり$0.05という分かりやすい料金で提供します。本番チームが見るべきなのは、見た目の単価の安さではありません。実際のセッションの振る舞いに合った課金方式かどうかです。
本番導入での結論を先に
GoogleのLive APIドキュメントでは、セッション再開の例にモデル文字列gemini-3.8-liveが登場します。また、Googleの現行Liveドキュメントによると、音声はトークンとして課金され、保持されたコンテキストは後続ターンで再び処理される可能性があります。OpenAIのGPT-Live-1発表では、フロントエンドの音声レイヤーを1分あたり$0.05とし、バックエンドの推論やツールは別料金と説明しています。
この違いを実務に落とし込むと、出発点は次のように分かれます。
| 本番での要件 | まず検討したい選択肢 | 理由 |
|---|---|---|
| 音声レイヤーの予算を読みやすくしたい | GPT-Live-1 | 増え続ける音声コンテキストより、実時間ベースのセッション時間のほうが予測しやすい |
| トークン単位で最適化したい | Gemini 3.8 Live | アクティブなコンテキスト、圧縮、モダリティの選択を調整できる |
| メモリを制御しながら長く会話したい | Gemini 3.8 Live（慎重に設計することが前提） | コンテキスト圧縮とセッション再開がAPI設計に明示的に組み込まれている |
| 電話エージェントを素早く展開したい | GPT-Live-1 | OpenAIは、全二重の電話連携とバックエンドへの処理委譲を想定したモデルとして位置づけている |
| 無音のまま待機する可能性がある | ガードレールなしではどちらも不向き | GPT-Live-1はセッション時間で課金され、Geminiもコンテキストや通信に関するコストが発生し得る |
なお、今回確認した資料では、GoogleのGemini API料金ページにGemini 3.8 Live専用の料金行は掲載されていません。財務予測でGemini 3.8 Liveの代わりにGemini 3.1 Flash Liveの料金を使わないでください。
Gemini 3.8 LiveとGPT-Live-1の課金単位
Gemini 3.8 Live：音声トークン、コンテキスト、圧縮
GoogleのLive APIベストプラクティスガイドによると、ネイティブ音声は音声1秒あたり約25トークンとして蓄積されます。同じガイドでは、永続セッションで蓄積したコンテキストが後続ターンで再課金される可能性も説明されています。会話が長くなるほど、新しい応答に含まれる過去の入力が前の応答より大きくなることがあります。
概算モデルは次のとおりです。
Geminiセッションのコスト
= 現在の音声・テキスト利用量
+ ターンをまたいで再処理される保持コンテキスト
+ 出力音声と推論の利用量
+ オプションの文字起こし利用量
+ ツールとインフラこの増加カーブを変えるのがコンテキスト圧縮です。Googleは、長時間セッション向けにContextWindowCompressionConfigとスライディングウィンドウ方式をドキュメント化しています。Googleの例では、25,000トークンで圧縮を開始し、8,000トークンのスライディングウィンドウを使います。ただし、この設定をそのまま本番に持ち込むのではなく、想起性能やツールの正確性を確認して決めるべきです。
文字起こしも追加コストになり得ます。Googleによると、inputAudioTranscriptionまたはoutputAudioTranscriptionを有効にすると、ネイティブ音声の課金に加えてテキストトークンの利用量が発生します。検索可能な文字起こしが必要なチームは、解決1件あたりのコストモデルにこの追加分も含めてください。
GPT-Live-1：実時間ベースの音声セッション課金
OpenAIは、フロントエンドの音声レイヤーについて、GPT-Live-1を1分あたり$0.05、1秒単位で課金するとしています。単純計算では次のとおりです。
| セッション時間 | GPT-Live-1音声レイヤーのコスト |
|---|---|
| 5分 | $0.25 |
| 30分 | $1.50 |
| 1時間 | $3.00 |
| 8時間連続で開いた場合 | $24.00 |
ここで見落としやすいのが無音時間です。公開されている分単位の料金は、発話している秒数ではなく、セッションの経過時間に紐づきます。つまり、10分間の無音を含む30分の通話は、30分ぶんのセッションとして扱われます。
GPT-Live-1だけでエージェント全体の料金が決まるわけでもありません。OpenAIはGPT-Live-1を、より深い推論やツール呼び出しを委譲できる音声レイヤーとして説明しています。バックエンドのトークン、ツール、電話回線、ストレージ、監視、人への転送は別途見積もる必要があります。
長時間セッションのコストを4つのケースで見る
以下の比較では、Gemini 3.8の料金を推測せず、公開されているGPT-Live-1の計算と各種の算式だけを使います。
1. 5分間の予約受付コール
GPT-Live-1の音声レイヤーは、バックエンドの推論と電話料金を除いて$0.25です。Gemini 3.8 Liveについては、対象となるモデルIDに適用される料金をGoogleが公開または提示するまで、妥当な価格を算出できません。
Geminiでは、実際のセッションから音声入力の秒数、音声出力の秒数、保持コンテキストのトークン数、文字起こしトークン、ツール呼び出しを計測してください。短い通話ではトークン課金が魅力的に見えるかもしれませんが、それはプロンプトとコンテキストを制限できている場合に限ります。
2. 30分間のサポートコール
GPT-Live-1の音声レイヤーは$1.50です。予算には組み込みやすい一方、この数字だけでは問題が解決したかどうかまでは分かりません。
Geminiのコストは、どれだけ音声を保持するか、そしてセッション中に何回ターンが発生するかで変わります。30分の通話でも、片方が途切れのない発話で、もう片方が長い沈黙や説明の繰り返し、マルチモーダル入力を含む場合、トークン使用量には大きな差が出る可能性があります。
3. 無音の保留、またはツール応答の遅延
GPT-Live-1はセッションが開いたままである限り課金が続きます。運用上の対策は、厳格な無音タイムアウトを設けるか、明示的な引き継ぎ状態に切り替えることです。
Geminiも、無音なら自動的に「無料」になるわけではありません。接続、ツールのオーケストレーション、コンテキストの扱い、後続ターンはすべてコストモデルに含める必要があります。無音は単なるプロバイダーの料金問題ではなく、プロダクトの状態設計として扱うべきです。
4. 一日中つなぎっぱなしのリスニングセッション
GPT-Live-1が公開している音声レイヤー料金では、8時間連続で開いたセッションは$24です。このセッションが10本あれば、バックエンドモデルやその他のインフラを除いて1日あたり$240になります。
Geminiのトークンモデルは、不要な音声を送らず、履歴を圧縮できるアプリケーションであれば、断続的なやり取りに対して効率がよい可能性があります。一方、生の会話コンテキストを保持し続け、会話ループを無制限に許す設計では、コストの予測が難しくなるかもしれません。常時接続を想定するなら、5分間のデモから外挿するのではなく、負荷テストを行うべきです。
料金表を変える本番運用上の制約
コンテキストと接続の寿命
Googleのセッション管理ドキュメントでは、非圧縮の音声のみのセッションは15分、音声と映像を使うセッションは2分と説明されています。同じドキュメントによれば、個々のWebSocket接続は論理セッションの寿命とは別に、およそ10分続きます。本番クライアントには、コンテキスト圧縮とセッション再開の両方が必要です。
Googleの再開ハンドルは、最後にセッションが終了してから2時間有効です。また、サーバーは接続を閉じる前にGoAwayを送信します。これらのイベントを取りこぼすと、長時間の通話が途中で切れたり、ツールが二重に実行されたり、発信者の状態が失われたりする可能性があります。
同時実行数は別のコスト要因
分単位の料金から分かるのは「開いたセッションはいくらかかるか」です。「同時に何セッション動かせるか」までは分かりません。GPT-Live-1のドキュメントでは、同時セッション数でキャパシティを説明しており、報告されているティアはTier 1の25セッションからTier 5の500セッションまでです。月間予算内に収まっていても、着信が急増すればこの上限に達する可能性があります。導入前には、OpenAIのGPT-Live-1モデルリファレンスで現在の同時実行枠を確認してください。
Geminiでは、同時接続中のWebSocket数、再接続率、圧縮イベント、クォータエラーを記録しましょう。トークン処理量と同時セッション数は、別々のボトルネックです。
電話連携と音声ブリッジ
電話エージェントでは、どちらのモデルにも含まれないコストが発生します。Geminiの電話連携ガイドでは、Twilio Media Streamsのようなブリッジを使います。そこでは、Twilioの8 kHz μ-law音声をGeminiの16 kHz PCM入力へ、さらにGeminiの24 kHz PCM出力を扱う変換が説明されています。この中継には、通信事業者、転送、計算資源、運用に関するコストと作業が加わります。
GPT-Live-1は全二重通信を前面に出しており、割り込み処理の一部を独自実装せずに済む可能性があります。ただし、通信事業者への支払いやバックエンド処理がなくなるわけではありません。比較すべきなのは推論コストだけでなく、通話全体のコストです。
「マーケティングの問い合わせ受付向けにGemini Liveの音声エージェントをリリースした。予約の途中で何度も固まった」— @ramanpal、Gemini 3.8 Live Extended Thinkingにおける
turnComplete処理のバグについて報告（X）。
これはある開発者による初期導入時の報告であり、測定された障害発生率ではありません。それでも、トークン単価のわずかな差より、プロトコルの意味論やイベント処理のほうが高いコストを招くことがある、という重要な示唆になります。
私ならこう判断する
音声レイヤーのコストが最大の不確定要素で、財務担当が時間ベースの明快な見積もりを必要としているなら、GPT-Live-1を選びます。無音時間、通話の最大長、同時実行数、バックエンド推論には明確な上限を設けてください。$0.05という数字は音声レイヤーの最低限の目安であり、1通話あたりの総コストではありません。
トークン使用量を計測でき、コンテキスト圧縮、マルチモーダル対応、トークン単位の制御を活かせるなら、Gemini 3.8 Liveを選びます。最初から何でも話せるアシスタントを作るのではなく、範囲を限定したワークフローから始めるのが得策です。追うべきは1分あたりのコストではなく、タスクを完了できた1件あたりのコストです。
解決1件あたりのコスト
= モデル + ツール + 電話 + インフラの総コスト
/ 有効な解決完了件数導入を決める前に、同じ通話パターンを両方のシステムで実行し、継続時間の中央値とp95、音声秒数、保持コンテキストのトークン数、文字起こしの利用量、ツールのリトライ、転送率、再接続、解決率を記録してください。通話が長くなってもこれらの指標を安定して維持できるシステムが、最終的な勝者です。
FAQ
Gemini 3.8 Liveは正式に利用できますか？
Googleの現行セッション管理ドキュメントでは、セッション再開の例にgemini-3.8-liveが使われています。本番展開の前に、利用権限、リージョン、クォータ、そしてGoogleプロジェクトに表示される正確な料金行を確認してください。
GPT-Live-1は無音時間にも課金されますか？
公開料金はフロントエンドの音声セッション時間に対する分単位の料金で、1秒単位で課金されます。アカウント契約に別の定めがない限り、無音時間を含むセッション時間が課金対象になる前提で計画してください。
GPT-Live-1の1分あたり$0.05は通話の総コストですか？
いいえ。OpenAIが説明しているのはフロントエンドの音声レイヤー料金です。バックエンド推論、ツール、電話、ストレージ、監視、人へのエスカレーションは別のコスト項目になります。
Geminiのコンテキスト圧縮を使えば、長時間セッションを無料にできますか？
できません。圧縮はコンテキストを管理する仕組みであり、無料モードではありません。保持する履歴を抑えたり、時間制限を回避しやすくしたりする効果はありますが、ライブ音声、出力、ツール、インフラは引き続き課金対象、または運用上の検討対象です。
長時間の音声セッションでは、どちらのモデルが安いですか？
適用されるGemini 3.8 Liveの料金と、実際のトラフィック特性が分からない限り、普遍的な答えは出せません。GPT-Live-1は予測しやすく、Geminiはコンテキストと入力を丁寧に管理することで有利になる可能性があります。実際に両方を動かし、解決完了1件あたりで比較してください。
本番の音声エージェントは、最初の感じのよい会話だけで値付けするものではありません。無音、リトライ、コンテキストの増加、再接続、そして最終的に人の対応が必要になる通話まで含めたロングテールでコストが決まります。モデルを選ぶ前に、料金メーターをアーキテクチャへ組み込んでおきましょう。