速報

ジェトロのサイトで情報漏えい|追加9,413件の内訳と暫定再開の範囲

CATEGORY

GPT-Live-1.1で音声AIを運用する|standbyと委譲の設計ポイント

※本ページのリンクにはプロモーションが含まれています。

多言語の音声波形が一時停止後に再開し、バックエンドへ接続する様子を描いたイラスト

目次

OpenAIは2026年11月19日、音声対話モデル「GPT-Live-1.1」をへ追加した。従来のGPT-Live-1と比べ、多言語会話の発音、アクセントの一貫性、文字起こし精度を改善したとしている。WebRTCでは、利用者が話していない間に推論を休止するstandbyも利用できる。音声AIをカスタマーサポート、予約受付、社内ヘルプデスクへ組み込む開発者にとって、今回の変更はモデル名の置換だけではない。会話が止まった時間の扱い、処理への委譲、再開時の確認方法まで設計し直す必要がある。

この記事はOpenAI APIの11月19日付変更履歴と現行の公式ドキュメントをもとに、導入判断と検証項目を整理する。実機で音声品質や遅延を測定した結果ではない。既存のRealtime API連携が、そのままGPT-Liveへ互換になるとも限らないため、現在の接続方式とイベント処理を棚卸ししてから移行する。

スポンサーリンク

GPT-Live-1.1で変わった三つの点

GPT-Live-1.1のモデル資料は、音声を聞きながら発話できるfull-duplexの多言語モデルとして説明している。主な変更は、音声品質の改善、standby料金の導入、バックエンドへ処理を渡すdelegationの指示方法だ。画像と動画は入力できず、音声とテキストが対象である。Structured Outputsやfine-tuningもサポートされていない。音声会話の入り口として使い、厳密なや業務処理は別の層で扱う構成が基本になる。

項目確認できた変更実装への影響
モデルgpt-live-1.1。多言語の発音、アクセント、文字起こしを改善対応言語と固有名詞を自社データで再評価
待機WebRTCで推論停止中はstandby料金無音判定、再開遅延、セッション再作成との比較が必要
委譲自然言語でバックエンドへ渡す条件を指示会話モデルと業務処理の責任を分離
料金activeは1分0.05ドル、standbyは1分0.02ドルバックエンドモデルとツール利用料は別に集計

料金は音声セッションの継続時間で計算される。モデル資料の表示ではactiveが1分0.05ドル、WebRTCで推論が休止しているstandbyが1分0.02ドルだ。バックエンドのResponses APIやツール利用は別料金になる。したがって「会話を待機へ移したので全体コストが0.02ドル/分になった」とは計算できない。音声側のactive秒数、standby秒数、委譲先のトークン、外部API費用を分けて記録する。

standbyはマイクのミュートとは異なる

セッション管理ガイドでは、入力音声をミュートしてもセッションは動き続け、モデルの発話や委譲済み処理を継続できるとしている。マイクのミュートは利用者の音声を送らない操作であり、推論休止や課金区分の切り替えと同義ではない。アプリの「保留」ボタンでローカル録音を止めただけなのに、サーバー側はactiveのままという状態を避けるには、クライアントの表示、WebRTC接続、セッションイベントを別々に追跡する必要がある。

standbyを使う候補は、利用者が書類を探す時間、担当者が電話へ戻るまでの保留、外部処理の完了を待つ時間だ。ただし短い無音のたびに待機と再開を繰り返すと、会話の頭を取りこぼしたり、準備完了までの遅延が目立ったりする。公式ガイドは、回避できる音声利用時間とセッション準備のコスト、音声が再び使えるまでの遅延を比較してidle timeoutを選ぶよう説明している。固定値を全用途へ当てず、通話種別ごとの無音分布を測る。

  • 利用者が話し始めた時刻と、モデルが入力を受け付けた時刻を分けて記録する
  • 待機開始・再開・エラーのイベントをセッションIDと結び付ける
  • バックエンド処理中の無音と、利用者都合の保留を区別する
  • マイク権限の喪失やネットワーク断をstandby成功として集計しない

セッションの累積音声利用はsession.usage.updatedのusage.secondsで確認する。これは差分ではなく累積値なので、12秒から15秒へ変わった場合の最新合計は15秒である。委譲したResponses処理のトークン利用は別に取得し、通話単位の原価へ合算する。セッション終了時はsession.closedまで接続を維持し、最終usageと終了理由を保存する。ソケットが先に切れた場合は、最終利用量を確認済みとして扱わない。

スポンサーリンク

バックエンド委譲は会話の外側で完了を管理する

GPT-Liveは会話を続けながら、検索、予約照会、注文変更のような処理をバックエンドへ渡せる。Delegation and toolsの公式ガイドでは、委譲方式としてclientとResponsesを選べる。Responses delegationではOpenAIがバックエンドモデルとの文脈受け渡しを担い、client delegationではアプリが処理と結果通知を管理する。起動後にdelegationの種類を切り替えることはできないため、変更には新しいセッションが必要だ。

業務処理の成否は会話モデルの発話だけで確定しない。たとえば「予約を変更しました」と音声が流れても、外部APIがタイムアウトしていれば完了ではない。アプリ側でoperation ID、依頼内容、実行状態、外部システムの結果を保持する。再接続やセッションforkの後は、未完了処理を確認してから同じ変更を再送する。通話が切れたことと業務処理が取り消されたことも同一視しない。

進行中の事実はsession.thinking.append、利用者へ伝える結果はsession.commentary.appendで文脈へ加えられる。公式資料は、これらのイベントが最大500トークンのplain stringを受け取ることを示している。資格情報や内部の秘密は会話へ渡さず、利用者に伝えてよい結果だけを整形する。権限確認、必須確認、二重実行防止はアプリケーションコードで実施する。

通話単価は四つの箱に分けて試算する

費用見積もりは、active、standby、委譲先モデル、外部ツールの四つに分ける。たとえば30分のセッションでactiveが20分、standbyが10分なら、公式表示の音声料金だけを使った単純計算は1.20ドルになる。内訳は0.05ドル×20分と0.02ドル×10分だ。ここには委譲先のResponses API、検索、電話事業者、録音保管などの費用は含まれない。実際の請求条件と利用地域は公開前に料金ページと組織設定で再確認する。

比較対象には「待機を使わず接続を維持する」「一定時間で切断し、次の発話で新規セッションを作る」「人間の担当者へ転送する」を置く。standbyが最安とは限らない。短時間の通話では再接続の複雑さが費用差を上回る場合があり、長い保留ではstandbyの効果が大きくなる。呼量、平均保留時間、再開失敗率から月次の幅を計算し、単一の平均通話だけで予算を決めない。

稼働後は請求額だけでなく、activeからstandbyへ移った割合、standbyから会話を正常再開できた割合、再開後の最初の音声が欠けた件数も監視する。費用が下がっても、聞き返しや再発信が増えれば全体の運用負担は増える。音声利用量と業務完了率を同じダッシュボードで確認する。

スポンサーリンク

移行はモデル名の置換では完了しない

GPT-Liveの開始ガイドは、ブラウザーではまたはlocalhost、マイク、を保持する信頼できるサーバーを前提としている。APIキーをブラウザーへ埋め込まず、サーバーでセッションを作成し、必要な接続情報だけをクライアントへ返す。電話回線へ接続する場合はSIPガイドのトランク設定とwebhook処理も別に確認する。

GPT-Live-1と1.1は同じcontext eventを使える一方、モデルを変更するには新しいセッションを開始する。両モデルの同時セッション上限も別に管理され、実際の上限は組織のlimitsで確認する必要がある。段階移行では、旧モデルと新モデルを同じ交通量で単純比較するのではなく、言語、騒音、話者の割り込み、固有名詞、委譲回数をそろえたシナリオを用意する。

  • 日本語だけでなく実際に利用する言語とコードスイッチを含める
  • 住所、商品名、人名、英数字の注文番号で文字起こしを評価する
  • モデル発話中に利用者が割り込んだ場合の停止と再開を確認する
  • 委譲中に通話が切れた場合の復旧と二重実行防止を確認する
  • active・standby・バックエンド利用料を同じ通話IDで集計する

音声品質の評価では、文字起こしの正解率だけを見ない。発話開始までの時間、割り込み後の停止時間、アクセントの一貫性、誤った業務処理の件数、担当者への転送率を合わせる。自然に聞こえる応答でも、注文番号を一桁誤認していれば本番品質とはいえない。逆に、多少の言い直しがあっても重要項目を復唱し、確定前に利用者へ確認できれば業務上の失敗を減らせる。

本番前に決める運用の境界

本番運用では、会話、音声再生、バックエンド処理を別の状態として表示する。モデルが話し終わっても処理は継続している場合があり、処理完了後も音声再生が端末で終わっていない場合がある。UIには「聞き取り中」「確認中」「処理完了」「再接続が必要」のように、アプリが実際に確認できた状態を表示する。モデルの発話だけから状態を推定しない。

失敗時は、拒否されたコマンド、接続失敗、正常終了を区別する。イベントには送信したevent_idと対応する識別子が含まれるため、再送前に受付済みかを確認する。セッションを閉じると、キューにあるResponses処理はキャンセルされ、関数結果待ちの処理は継続できない。アプリがclient delegationで実行している処理を完了させるか取り消すかは、別のルールとして決める。

類似する非同期音声処理の設計は、関連記事「ADKで音声AIの無音を減らす」でも扱っている。今回のGPT-Live-1.1では、無音を埋める会話設計に加え、待機課金と推論休止を運用指標へ組み込む点が新しい。まず少数の通話を対象に、activeとstandbyの時間、再開遅延、委譲成功率を記録し、既存モデルより費用と業務結果の両方が改善するかを確認してから範囲を広げたい。

参考資料

OpenAI:API Changelog(2026年11月19日)

OpenAI:GPT-Live-1.1 model

OpenAI:Managing GPT-Live sessions

OpenAI:Delegation and tools in GPT-Live

OpenAI:Getting started with GPT-Live

OpenAI:Telephony and SIP

この記事を書いた人

Ryohei

Webエンジニア / アプリ開発者 / 技術ブログ運営者

福岡のWeb制作会社に勤務するWebエンジニアです。10年以上にわたりWeb制作・開発に携わり、ヒアリングや進行管理から、コーディング、CMSの構築、システム開発、サーバーの構築・保守・運用まで、Webサイト制作の工程を幅広く担当しています。Webサイトは、これまでに100以上の構築・保守を手がけてきました。

個人でもWebサイトの制作・改修やWebアプリの開発・運用を行い、AIを活用した開発にも取り組んでいます。近年はWebセキュリティにも注力しています。

2015年から技術メディア「Into the Program」を運営し、実務や開発で得た知識をもとに、プログラミングの実装方法やWebサイトの運用・セキュリティ情報を発信しています。

主な分野
Webサイト構築・保守・運用 / HTML/CSS / JavaScript / PHP / WordPress / サーバー構築・保守・運用 / アプリ開発 / セキュリティ対策
資格・試験合格
情報セキュリティマネジメント試験
基本情報技術者試験
AWS認定ソリューションアーキテクト アソシエイト
PHP8技術者認定ウィザード
メディア運営
2015年〜

記事の作成・更新について

セキュリティ記事は、ベンダーの公式アドバイザリやCVE・JVNなどの一次情報を参照し、出典と情報確認日を記載します。実環境での検証を行った場合は、その環境と確認範囲を明示します。重要な追加情報や誤りを把握した場合は、内容を確認して追記・訂正します。

関連する記事

おすすめの書籍

キーワードから探す

スポンサーリンク

APIキー

APIを利用するときに、利用者やアプリケーションを識別・認証するための文字列。漏えいすると不正利用につながる。

詳しく見る

HTTPS

HTTPの通信をTLSで暗号化したもの。Webサイトとの通信を盗み見や改ざんから守る。

詳しく見る

JSON

データを「名前と値」の組で表す、軽くて読みやすいテキストの形式。APIのデータのやりとりなどで広く使われる。

詳しく見る

バックエンド

Webサービスなどで、サーバー側でデータの処理や保存を担う部分。利用者の画面を担うフロントエンドと対になる言葉。

詳しく見る

セッション

利用者とシステムの一連のやり取りを、ひとまとまりとして扱う単位。Webでは、ログイン状態などをページをまたいで保つために使う。

詳しく見る

API

ソフトウェアやサービスの機能を、ほかのプログラムから決まった方法で呼び出して使えるようにした窓口。

詳しく見る