モデルの位置づけ
gpt-realtime は、OpenAI がリアルタイムの音声対話向けに開発したマルチモーダルモデルであり、同社初の正式リリースされた Realtime モデルでもあります。音声を直接処理・生成し、音声認識モデルと音声合成モデルを連結することなく、開発者が低遅延の音声エージェントを構築できるようにすることを目的としています。2025 年 8 月 28 日、OpenAI はこのモデルと Realtime API の正式版をリリースしました。対応する固定スナップショットは gpt-realtime-2025-08-28 です。(openai.com)
機能と用途
- テキストと音声の入力・出力、および画像入力に対応し、WebRTC、WebSocket または SIP 接続を通じてリアルタイムに対話できます。(developers.openai.com)
- 関数呼び出しに対応し、Realtime API のリモート MCP サーバー対応や SIP 電話接続などの機能と組み合わせてアプリケーションを構築できます。公式が挙げる用途には、カスタマーサポート、パーソナルアシスタント、教育があります。(openai.com)
- 公式によると、複雑な指示への追従、ツールの呼び出し、自然な音声表現、言語の切り替えが改善されています。(openai.com)
制限と状態
- コンテキストウィンドウは 32,000 token、最大出力は 4,096 token です。知識のカットオフ日は 2023 年 10 月 1 日です。(developers.openai.com)
- 動画、画像出力、構造化出力、ファインチューニングには対応していません。(developers.openai.com)
- 2026 年 11 月 18 日時点で、公式は
gpt-realtimeとその固定スナップショットを非推奨としており、2027 年 1 月 20 日に提供を終了する予定であると公表しています。公式が推奨する代替モデルはgpt-realtime-2.1です。(developers.openai.com)
API 料金
OpenAI のモデルドキュメントに記載されている料金です。通貨は米ドル(USD)で、単位はいずれも100 万 token あたりです。キャッシュ入力料金はキャッシュ入力にのみ適用されます。確認日:2026 年 11 月 18 日。(developers.openai.com)
| モダリティ | 入力 | キャッシュ入力 | 出力 |
|---|---|---|---|
| テキスト | $4.00 | $0.40 | $16.00 |
| 音声 | $32.00 | $0.40 | $64.00 |
| 画像 | $5.00 | $0.50 | 非対応 |