何が起きたか
OpenAIはAPIでGPT-Realtime-2、GPT-Realtime-Translate、GPT-Realtime-Whisperを公開。GPT-Realtime-2はGPT-5クラスの推論を備えた初の音声モデルで、コンテキストウィンドウを32Kから128Kトークンに拡大した。
なぜ重要か
音声はソフトウェア利用の主要な手段になりつつあるが、従来の音声エージェントは文脈理解、訂正対応、アクション実行に課題があった。新モデルは聞く・推論する・翻訳する・文字起こしする・リアルタイムに行動するよう設計され、GPT-Realtime-2(high)はBig Bench AudioでGPT-Realtime-1.5より15.2%高いスコアを達成した。国内で音声を使ったソフトウェアや翻訳・文字起こしサービスを提供する事業者は、新たな音声モデルの性能向上を踏まえた対応を迫られる可能性がある。
注目点
Zillow、Deutsche Telekom、Pricelineなどの採用が、複雑な実世界タスクへの対応力を示すかが焦点。GPT-Realtime-2の価格は音声入力トークン100万件あたり32ドル、音声出力トークン100万件あたり64ドル。
こういう要約が、毎朝あなたのメールに届きます。
OpenAIの新APIモデルは、初期の音声AIの核心的な限界(硬直的で、変化する文脈を理解できず、複雑なタスクを実行できないこと)に対処する。同社は「音声からアクションへ」「システムから音声へ」「音声から音声へ」のパターンに注力しており、音声を新奇なものではなく日常的なソフトウェア利用の主要インターフェースにしようとしている。
今回の発表は以前のリアルタイム音声モデルを基盤とするが、重要な進歩は会話能力と推論・行動を組み合わせた点で、GPT-Realtime-2のGPT-5クラスの知能がその例だ。コンテキストの32Kから128Kトークンへの拡大も、より長く複雑な対話を可能にするため注目に値する。ZillowやDeutsche Telekomといった著名パートナーの参加は、OpenAIがデモから実用的なビジネスワークフローへの移行を優先していることを示す。
これらのモデルの成功は、アクセント、割り込み、曖昧な要求といった実世界の音声の複雑さを、許容可能な遅延とコストを維持しながら確実に処理できるかどうかにかかっている。明確な価格設定とデモは、OpenAIが迅速な開発者フィードバックを求めて反復したい意向を示すが、市場の反応が音声AIの転換点となるか、単なる追加的な一歩に留まるかを決定づけるだろう。
業界と使っているAIツールを選ぶと、仕事に関係するニュースが毎朝届きます。
登録無料・Googleアカウントなら30秒・いつでも解除できますAITodayについて →
この記事についてわからないことをAIに質問できます。AIはこの記事・AIToday の過去記事・Wikipedia を読み、出典を付けて答えます。Q&Aはこのページに公開され、他の読者も読めます。
このようなAIの動きを、御社の業界・競合に合わせて毎日届ける法人プランもあります → 詳しく見る
Reson8は5億パラメータの音声認識モデルRumble-2-FlashをApache 2.0ライセンスの無償オープンウェイトとして公開した
OneTrustはOneTrust CORIEを基盤とするFall '26リリースを発表し、厳選した基盤モデルライブラリからモデルの関連付けと非推奨指標を継続的に更新するAI台帳を追加した
11月18日の日経「Dialogues on the Future」で、ソフトバンクグループの孫正義氏はAnthropicへの出資見送りを「僕の失敗の一つ」と語った

Cassava TechnologiesがNvidia製チップ購入のため最大10億ドルの調達を検討

Microsoft Ignite 2026でWindows Server 2028のパブリックプレビューが公開され、Microsoft Foundry、Windows ML、vLLM、Llama.cppによるAI推論ホス…

BrightAIがSmith Point Capital主導のラウンドで97百万ドルを調達
