OpenAIのRealtime APIは、アプリにライブ音声が必要なときに開発者が実際に呼び出すものです。まだ開発者向けAPIがないChatGPTの機能であるGPT-Liveではありません。見出しの価格である音声入力トークン100万あたり32ドルは厳しく見えますが、ほとんどの人の頭の中での計算は間違っています。音声アクティビティ検出とプロンプトキャッシュを使えば、実際の音声から音声へのトラフィックは1分あたり約0.04ドルに近く、新しいmini階層ではさらにそれが下がります。このガイドでは、4つのRealtimeモデルすべてにわたる2026年7月の料金体系を分解し、音声トークンが実際にどのように分単位へ換算されるかを示し、推測せずに予算を立てられるよう具体的なコスト例を紹介します。
Realtime API とは何か（そしてなぜ GPT-Live ではないのか）
GPT-Live, 2026年7月8日に公開された、OpenAIのフルデュプレックス音声モデルです — 同時に聞いて話すことができます — そして新しいChatGPT Voice体験を支えています。これはまだ開発者向けAPIとしては利用できず、OpenAIは「近日公開予定」として登録を受け付けています。今日音声製品を構築したい場合、接続すべきものはRealtime APIです。これは別系統のモデル群（gpt-realtime-2.1、より安価な gpt-realtime-2.1-mini、さらに専用のtranslateおよびwhisperモデル）です。GPT-Liveは、OpenAIが2025年にGPT-Bidi-1という名前でテストしていたモデルの正式リリース版だと広く理解されています — アーキテクチャ全体の詳細は、 以前の解説をご覧ください。料金については、このページに留まってください。以降、「Realtime」はAPIモデルを意味します。
現在の Realtime API の料金（2026年7月）
これらは OpenAIの料金ページに掲載されているライブレートで、2026年7月9日に確認されています。音声とテキストは100万トークンごとに課金され、2つの特化モデルは1分ごとに課金されます。
モデル | モダリティ | 入力 | キャッシュされた入力 | 出力 |
|---|---|---|---|---|
gpt-realtime-2.1 | Audio | $32.00 | $0.40 | $64.00 |
gpt-realtime-2.1 | Text | $4.00 | $0.40 | $24.00 |
gpt-realtime-2.1 | Image | $5.00 | $0.50 | — |
gpt-realtime-2.1-mini | Audio | $10.00 | $0.30 | $20.00 |
gpt-realtime-2.1-mini | Text | $0.60 | $0.06 | $2.40 |
gpt-realtime-2.1-mini | Image | $0.80 | $0.08 | — |
gpt-realtime-translate | Audio (per min) | — | — | $0.034/min |
gpt-realtime-whisper | Audio (per min) | — | — | $0.017/min |
$32という数字に慌てる前に、注目すべきことが3つあります。第一に、mini tier（gpt-realtime-2.1-mini）はフラッグシップの約3分の1で、音声は$10/$20、対して$32/$64です。多くの音声アプリでは、会話を十分うまく処理できます。第二に、キャッシュされた音声入力は100万あたり$0.30〜$0.40まで下がり、これは重要です。なぜなら、ほとんどのセッションでは同じ system prompt と tool definitions を毎ターン再送するからです。第三に、トークンあたりの音声料金（$32/$64）は、実は2025年の gpt-realtime-2 リリース以来安定しており、2024年の$40/$80や$100/$200から下がってきました。つまり、2026年の話は「価格を引き下げた」ではなく、「安価な mini tier と reasoning controls を追加した」ということです。
トークン対分：なぜあなたの見積もりはたぶん間違っているのか
同じ疑問がOpenAIの開発者フォーラムで何度も繰り返し出ています: 「100万トークンあたり100ドル、それとも1分あたり0.06ドル — どちらですか？」 どちらの数字も、同じモデルについて、時期によってOpenAI自身のドキュメントに掲載されていました。人々が価格に驚く理由 — ある開発者は「財布が燃え尽きる前に、これをテストすることさえできない」と書いていました — は、トークンの単純計算では、実際の請求額を左右する3つの要素が無視されているからです。
無音に対しては課金されません。 OpenAI のサーバー側音声アクティビティ検出（VAD）は非音声を除外するよう設計されているため、無音、間、保留時間は通常、請求額にほとんど影響しません。ご自身の使用ログで確認してください。
入力の大半はキャッシュされます。 システムプロンプトとツールスキーマは各ターンで送信されますが、プロンプトキャッシュにより、そのプレフィックスは $32/M ではなく $0.30–$0.40/M で課金されます。約 80 倍安価です。
通話時間に対する実際の発話時間の比率は大きく変動します。 10 分の「通話」でも、実際の発話は各方向 2 分しか含まれないことがあります。請求は壁時計時間ではなく、発話に基づいて計算されます。
それらを合算すると、1分あたりの金額は、誰が測るかによって大きく変動します。請求額を投稿した開発者からのいくつかの逸話的な報告をご紹介します:
@kwindla (2025年8月): 約$0.04/分 のspeech-to-speech。暗黙のトークンキャッシュを考慮し、さらに接続を維持するだけで約$0.20/時間。
@kevintpayne (2026年5月): 約$18/時間 (≈ $0.30/分)。より負荷の高い会話時間のワークロードの場合。
@leonardsaros (2026年7月): 約$1/分 の見積もり — おそらくVAD、キャッシュ、または会話時間について異なる前提を使っており、上と同じ落とし穴です。
これは「同じ」価格で25倍の開きがあります。要するに、トークン単価だけで見積もらないことです。実際のセッションを実行し、入力/出力トークン数と音声の分数を記録してから、割り算してください。計画用の目安としては、キャッシュとVADを有効にした一般的なアシスタントでのgpt-realtime-2.1は $0.04–$0.10/分 程度で、miniティアではその約3分の1を見込んでください。
本当の会話にかかるコスト
検証済みの1分あたりの範囲から見積もる方が、トークンレートを掛け算するよりも信頼できます。2つの参考ワークロードを見てみましょう。
カスタマーサポート — 1日1,000件の通話、各通話あたり約4分の発信者音声＋1分のオペレーター音声。 通話ごとに約5分の課金対象音声、さらに gpt-realtime-2.1 で（キャッシュとVADを含む中間帯の）1分あたり$0.08の平均単価だと、1通話あたり約 $0.40/call 、つまり1日1,000件で月額およそ $12,000/month になります。同じ負荷を gpt-realtime-2.1-mini で処理すると、1通話あたり約 $0.13/call （約$4,000/month）まで下がります — ただし、そのminiモデルがツール呼び出しと推論を十分にこなせることが前提で、単純なIVRやFAQのフローであれば通常は問題ありません。
音声アシスタント — 100人のデイリーアクティブユーザー、各3回の短いセッション。 1人あたり1日約1.5分の音声発話とします。2.1では1分あたり$0.08なので、1人あたり1日あたり約$0.12、つまり月額約 $360/月；miniでは、より近いのは $120/月です。
これらは見積もりではなく、計画用の数値です — 実際の金額は、会話時間の比率、推論にかける労力、そしてプロンプトがどれだけキャッシュ可能かによって決まります。重要なのは桁数です。キャッシュとVADにより、ライブ音声はもはや2024年当時のような「既存のビジネスがある場合にしか価値がない」ぜいたく品ではありません。モデルファミリー全体にわたってOpenAI APIのコストを予算化する際のより広い見方については、 GPT-4o reasoning API cost guideをご覧ください。
推論の労力と mini ティア：お金の行き先
gpt-realtime-2.1 は5つの推論レベルを提供します — minimal, low（デフォルト）, medium, high, xhigh （OpenAI docs）。より高い effort は、より多くの thinking トークン、より高い latency、そして text-output meter 上でより大きな請求を意味します。デフォルトの low はほとんどの会話型アプリに適しており、複数ステップの推論や複雑な tool use が必要なターンでは high/xhigh を使い、その後は再び下げてください。
miniティアのほうが、より大きなレバーです。 gpt-realtime-2.1-mini は音声とテキストでおおよそ 3倍安く 、それでもfunction calling、中断、自然なターンテイキングに対応しています。実践的な目安としては、 検索や確認のような大半のターンにはminiを、本当に推論が必要なターンには2.1を使う ことです。このように複雑さで振り分けると、トラフィックの大半が単純な場合、セッション全体のコストを大幅に削減できます。
翻訳とささやき: 分単位のお得な料金
2つのRealtimeモデルはトークン課金を一切使用せず、それぞれの用途において最も安価な選択肢です:
gpt-realtime-translate — $0.034/minute、70以上の入力言語から13の出力言語へ、音声をリアルタイムで翻訳します。多言語対応のサポートラインや同時通訳では、フルの2.1モデルを実行するよりも安価で、翻訳専用に最適化されています。
gpt-realtime-whisper — $0.017/minute、ストリーミング音声認識です。さらに安価で、フルの音声会話は不要で、ライブキャプションや文字起こしフィードが必要な場合に役立ちます。
あなたの仕事がオープンエンドな音声チャットではなく、翻訳や文字起こしである場合、gpt-realtime-2.1 の代わりにこれらを使うことが、利用可能な中で最も大きなコスト削減になります。
支払いを少なくする方法
モデルと推論ティアの選択に加え、Realtime の標準的なコストレバーは次のとおりです:
VADはオンのままにする。 非発話は課金対象外のはずですが、実際に無音部分が除去されている場合に限ります。セッションが無音データをストリーミングしていないことを確認してください。
まず音声出力を削る。 生成音声（$64/M 側）が最も高コストです。簡潔な返答、要約、または最初の音声ターン以降にテキストへ切り替えることで、効果がすぐに積み上がります。
プロンプトをキャッシュ可能にする。 system prompt と tool schema を固定し、コンテキストの先頭に置いてキャッシュレートを適用させてください。ターンごとにそれらを入れ替えると、80×の割引が失われます。
長いセッションを圧縮する。 全文を再実行する代わりに、数ターンごとに会話状態を要約してください。そうしないと入力トークンが再課金されます。
複雑さで振り分ける。 基本は Mini を使い、ターンに必要な場合だけ 2.1 にエスカレーションします。
同じ OpenAI Realtime モデルをより低いトークン単価で再販する Relay エンドポイントも、もう1つの選択肢です — API の仕様は同一なので、統合は変更不要です; AIReiter はその一例です。
よくある質問
GPT-LiveはRealtime APIを使用しますか？
直接ではありません。GPT-LiveはChatGPTの音声機能で、まだ開発者向けAPIとしては公開されていません。Realtime APIのモデル（gpt-realtime-2.1 など）は、今すぐ呼び出せる開発者向けの対応機能です。
OpenAI Realtime API は高価ですか?
トークンレートが示すよりも少なく、VADとキャッシュを使うと、2.1ではおおよそ $0.04–$0.10/分、miniではさらにかなり低くなります。上のトークン対分のセクションで、見積もりに大きなばらつきがある理由を説明しています。
Realtime API の料金は 1 分あたりいくらですか？
単一の料金はありません — 会話時間の比率、推論の負荷、キャッシングによって異なります。適切に調整された 2.1 セッションはおよそ $0.04–$0.10/分で、mini ティアはその約 3 分の 1 です。translate と whisper はそれぞれ $0.034 と $0.017/分の定額です。
オーディオトークンはどのように分数に変換されますか？
token から minute への目安は当てにしないでください — 自分の使用ログから算出してください。gpt-realtime-2.1 セッションでは、課金対象の token を各メーターごとに合計します: uncached audio input × $32/1M + cached audio input × $0.40/1M + audio output × $64/1M + text input × $4/1M + text output × $24/1M (画像を送信する場合は image input × $5/1M を追加) তারপর、実際の発話時間の minute 数で割ります。VAD と caching が働いているため、その実際の加重平均値は、単純な token 計算よりはるかに低くなります。
Realtime API vs ElevenLabs または Grok Voice?
ElevenLabs はTTSの品質に優れており、ナレーション専用のフローでは競争力があります。一方、Realtime APIは統合された推論とツール利用で優位です。xAIのGrok Voice Agentは、定額の$0.05/分で提供開始されたと報じられており（source）、典型的な2.1構成のおよそ半額です。純粋な音声用途ではより安価ですが、マルチモーダル機能は少なくなります。Googleの Gemini omni models も、料金を比較検討する価値のある別のリアルタイムオプションです。
キャッシュされた音声入力とは何ですか？また、どれくらい節約できますか？
システムプロンプトやツールのような繰り返し使われるプレフィックスでは、キャッシュされた入力トークンの料金は $10–$32/M ではなく $0.30–$0.40/M です。各ターンで大きなプロンプトを再利用するセッションでは、これは妥当な請求額と驚くような請求額の違いになります。
要点
2026年のほとんどの音声アプリでは、会話の大部分は gpt-realtime-2.1-mini で開始し、実際の推論が必要なターンのときだけ gpt-realtime-2.1 にエスカレーションし、仕事が特に多言語対応または文字起こしである場合は translate または whisper を使用してください。VADはオンのままにし、キャッシュされるようにプロンプトを設計し、生成音声を短くしてください。そうすれば、ほとんどのアプリでRealtimeの使用予算は音声1分あたり数セント台に収まり、広く出回っている1ドル/分という数字よりはるかに低く、実際に十分最適化された構成で見られる0.04ドルに近くなります。