GPT-Realtime-2.1とは｜gpt-realtime-2との違い・料金・miniとGPT-Liveの使い分け【2026年10月】

gpt-realtime-2.1は、OpenAIが2026年7月6日にRealtime APIへ追加した音声対話モデルです。5月7日公開のGPT-Realtime-2を土台に、英数字の聞き取り・無音と雑音の扱い・割り込み時の挙動を改善した版で、同日に小型のgpt-realtime-2.1-miniも出ています。2026年10月17日時点のOpenAIのchangelogに2.2以降の版はなく、Realtime APIの現行は2.1系です。一方で9月10日には別系統の音声モデルGPT-Live 1が正式提供となり、旧Realtimeモデルの停止日も決まりました。本記事は2.1と2の違い、料金、設定コード、GPT-Liveとの使い分け、Azureでの提供状況を、公式ドキュメントとSDKの型定義で確かめた範囲で整理します。

まとめ：gpt-realtime-2.1の要点と選び方

• 新規の音声エージェントはgpt-realtime-2.1か2.1-miniで作る。2.1と2は単価も128Kコンテキストも同じで、2.1のほうが英数字・雑音・割り込みに強い。既存の評価で2が優位な業務や、移行の検証が終わっていない環境では2を使い続けてよい。
• 料金は音声入力$32・音声出力$64（100万トークンあたり）。2.1-miniは$10・$20で、音声出力は2.1の約1/3。テキスト出力は2.1が$24で、1.5の$16より高い。
• 推論強度はminimalからxhighの5段階を明示して指定する。公式のプロンプトガイドに既定値の明記はなく、移行手順で「既定ではなくlowを設定」と求めている。
• GPT-Live 1は別の設計。音声の会話だけを担い、推論とツールは裏のモデルへ任せる構成で、$0.05/分の時間課金。1つのモデルに聞く・考える・話すを任せるならRealtime 2.1。
• Azureでは東日本リージョンで使えない。Global Standardの6リージョン（米国2・カナダ・フランス・スウェーデン・南インド）のみ。
• gpt-realtime・gpt-realtime-mini・gpt-4o-realtimeは2027年1月20日に停止する。置き換え先は2.1と2.1-mini。

gpt-realtime-2.1とgpt-realtime-2の違い

2.1は2の後継ですが、モデルページの仕様欄は2と同じ数字が並びます。違いは仕様ではなく、音声の聞き取りと会話の制御に出ています。

2.1で改善された英数字・雑音・割り込みの3点

OpenAIのgpt-realtime-2.1のモデルページは、改善点を「alphanumeric recognition」「silence and noise handling」「interruption behavior」の3つと書いています。注文番号・電話番号・確認コードのように1文字の聞き違いで処理が失敗する入力、保留音や周囲の話し声が混じる通話、ユーザーが応答に被せて話す場面が対象です。同じ告知で、キャッシュの改良によりRealtimeの音声モデル全体でp95遅延を25%以上短縮したとも述べています（OpenAI Developer Communityの告知）。この短縮は2.1単体ではなくRealtimeの音声モデル全体が対象なので、2.1へ切り替えた効果と取り違えないようにします。

2・2.1・2.1-mini・1.5の仕様比較

仕様は各モデルページの記載です。2で出力上限が4,096から32,000へ、コンテキストが32,000から128,000へ広がり、2.1と2.1-miniはその枠をそのまま引き継いでいます。公式のプロンプトガイドは1.5を「fast, reliable non-reasoning speech-to-speech model」と位置づけ、推論が要らず応答速度を優先する用途に残しています。

GPT-Realtime-2で入った推論・128Kコンテキスト・公式ベンチマーク

2.1の土台になっているのは、5月のGPT-Realtime-2で入った3つの変更です。話す前に考える推論を持ち、コンテキストを32Kから128Kへ広げ、ツール呼び出しの精度を上げました。公式ガイドは128Kを「濃い双方向の会話でおよそ1〜2時間分の生音声」と目安を示しています。5月7日の発表では、前世代のgpt-realtime-1.5に比べてBig Bench Audio（音声での推論）が推論強度highで15.2%、Audio MultiChallenge（多ターンの指示追従）がxhighで13.8%高いと報告されています。導入事例としては、Zillowが最も難しい評価セットでプロンプト最適化後の通話成功率を69%から95%へ上げたと紹介されています。ベンチマークの2つは本番で多く使うlowより強い設定での値で、Zillowの証言には推論強度の記載がありません。いずれの改善幅も自社の会話で再現されるとは限りません。

第三者の計測で見る2.1と2・miniの差

OpenAIは2.1と2を直接比べた数値を公表していません。第三者のArtificial Analysisが公開しているSpeech to Speechの比較表（2026年10月17日取得）には、共通のベンチマークによる値が並んでいます。ただし、エージェント性能の試行回数はモデル間で異なり、厳密に同一条件の比較ではありません。

音声推論はBig Bench Audio、最初の音声までの時間も同じデータセットでの平均です。highどうしでは音声推論がほぼ同じで、ツールを使う業務の成績（エージェント性能）は2.1が5.9ポイント上回ります。minimalでは2.1が音声推論で15ポイント高く、しかも速くなっており、推論を抑えて応答速度を取る構成ほど2.1へ移す効果が大きく出ています。注意したいのは2.1-miniのhighで、最初の音声まで4.28秒と2.1のhighの3.5倍かかっています。miniを選ぶ理由が速さなら、推論強度はminimalかlowで使い、highが要る業務は2.1に回すのが合理的です。測定条件（通信方式・地域・VAD設定）は表から特定できないため、自社の回線で測り直す前提の目安として扱います。

料金：音声・テキスト・画像トークンの単価と費用要因

Realtimeの会話モデルは、音声・テキスト・画像の3種類のトークンに別々の単価が付きます。下表はOpenAIの料金ページの「Realtime and audio generation models」の値です（2026年10月17日取得・100万トークンあたりUSD）。

2.1と2.1-miniの単価差とキャッシュ費用

同じ会話量なら、2.1-miniは音声入力で2.1の31%、音声出力で31%、テキスト出力で10%の単価です。2.1-miniの単価は旧gpt-realtime-miniと同じで、旧miniから移る場合は推論機能が加わっても単価は上がりません。ツール呼び出しは旧gpt-realtime-miniも対応しています。差が縮むのはキャッシュ入力で、音声のキャッシュ入力は2.1が$0.40、miniが$0.30とほぼ並びます。一方、システムプロンプトやツール定義はテキストとして課金され、テキストのキャッシュ入力は2.1が$0.40、miniが$0.06と約6.7倍の差があります。総額はキャッシュ率だけでなく、音声・テキストの入出力量と推論量から比較します。

キャッシュを効かせる設計と推論トークンの扱い

音声のキャッシュ入力$0.40は通常の音声入力$32の80分の1です。Realtime APIのプロンプトキャッシュは自動で効きますが、公式のコストガイドは「best-effort and not guaranteed」と書いており、ヒット率は保証されません。固定のinstructionsとツール定義をセッションの先頭に置き、顧客名や在庫数のように毎回変わる値は後ろの会話アイテムで渡すと、先頭部分が一致しやすくなります。もう1つの増加要因が推論で、モデルページは「Higher reasoning effort can increase latency and output token usage」と注記しています。推論強度を上げると、聞こえる応答が同じ長さでも出力トークンが増えて請求に乗ります。月額を見積もるときは、代表的な通話を数本流してresponse.doneに入るusageを集計し、1分あたりのトークン数を自社の値として持っておきます。

gpt-realtime-2.1を動かす：session.updateと推論強度の設定

Realtime APIはWebSocket・WebRTC・SIPのいずれかでセッションを張り、session.updateでモデル・音声・推論強度を設定します。接続方式ごとの手順はリアルタイムAPI（Realtime API）とは？接続方式と実装手順で扱っているので、ここでは2.1固有の設定に絞ります。

Python SDKでgpt-realtime-2.1に接続する最小コード

openai Python SDKの3.31.0（2026年10月14日公開）は、Realtimeのモデル名の候補にgpt-realtime-2.1と2.1-miniを含み、session.reasoningの型を持っています。WebSocket接続には追加依存のwebsocketsが要るため、openai[realtime]で入れます。

pip install "openai[realtime]==3.31.0"

from openai import OpenAI

client = OpenAI()  # OPENAI_API_KEY を環境変数から読む

with client.realtime.connect(model="gpt-realtime-2.1") as conn:
    conn.session.update(session={
        "type": "realtime",
        "model": "gpt-realtime-2.1",
        "output_modalities": ["text"],
        "instructions": "日本語で簡潔に答える。注文番号は1桁ずつ復唱する。",
        "reasoning": {"effort": "low"},
    })
    conn.conversation.item.create(item={
        "type": "message",
        "role": "user",
        "content": [{"type": "input_text", "text": "注文番号A-1029の配送状況を確認したい"}],
    })
    conn.response.create()
    for event in conn:
        if event.type == "response.output_text.delta":
            print(event.delta, end="", flush=True)
        elif event.type == "response.done":
            print("\n", event.response.usage)
            break
        elif event.type == "error":
            print(event.error)
            break

動作確認のためテキスト出力にしています。音声で返すときはoutput_modalitiesを["audio"]にし、audio.output.voiceにmarinなどを指定します。2026年10月17日にPython 3.12とopenai 3.31.0で、このコードを無効なAPIキーのまま実行したところ、接続後の最初の送信でwebsockets.exceptions.ConnectionClosedError（クローズコード3000・invalid_request_error.invalid_api_key）が発生しました。確認できたのは接続と認証エラーの返り方までで、有効なキーでの応答生成は実行していません。認証の失敗は接続時ではなく送信時の切断として現れるため、この例外と受信するerrorイベントの両方を処理しておきます。

推論強度5段階の選び方と既定値の扱い

SDKの型が受け付けるreasoning.effortの値はminimal・low・medium・high・xhighの5つです。公式プロンプトガイドの使い分けは次のとおりです。

確認した公式プロンプトガイドには既定値の明記がありません。SDKの型でもeffortは省略可能で既定値を持たず、プロンプトガイドの移行手順は「Set reasoning effort to low instead of the default」と、既定に任せずlowを明示するよう求めています。省略したまま本番に出すと、OpenAI側の既定が変わったときに遅延と出力トークンが黙って変わるため、必ず明示します。lowで始め、聞き返しや誤ったツール呼び出しが出た業務だけを上げるのが公式の推奨する進め方です。

SDKの型検証で分かった設定の落とし穴

SDK 3.31.0のRealtimeSessionCreateRequestでsession設定を検証すると、通るものと通らないものが分かれました。検証に使ったのは次の呼び出しで、sessionは上の接続コードと同じ辞書に音声出力の設定を足したものです。

from openai.types.realtime import RealtimeSessionCreateRequest

RealtimeSessionCreateRequest.model_validate(session)

openai 3.31.0
ok: gpt-realtime-2.1 low marin
拒否: {'reasoning': {'effort': 'max'}} literal_error
通過: {'output_modalities': ['text', 'audio']}

effortのmaxは定義外なので、model_validateでは弾かれます。ただし、掲載の接続コードのように辞書をsession.updateへ渡すだけではこの検証は走りません。effortをmaxに書き換えて同じ条件で実行しても、ローカルでは例外にならず送信まで進みました。設定値はmodel_validateで事前に確かめてから送ると、誤記をサーバーとの往復の前に見つけられます。一方でoutput_modalitiesにtextとaudioを両方入れても型検証は通ります。SDKのdocstringには「It is not possible to request both text and audio at the same time」とあり、両方指定はサーバー側で拒否される設定です。型が通ったことを動作の保証と見なさないでください。ほかに押さえておく制約は3つです。

• max_output_tokensは1応答あたりの上限で、SDKの説明では1〜4096の整数かinf（そのモデルで使える最大値）を指定する。モデルページの最大出力32,000トークンとは別の指定範囲として扱う。
• 音声（voice）はセッション内で最初に音声を返した後は変えられない。話者を切り替えるなら新しいセッションを張る。
• 1セッションの最長は60分。長時間の通話は再接続とコンテキストの引き継ぎを前提に組む。

GPT-Live 1とgpt-realtime-2.1の構成比較と選定基準

2026年9月10日にAPIで正式提供となったGPT-Live 1は、Realtime APIの新版ではなく別のAPI（v1/live/sessions）で動く別系統のモデルです。OpenAIのVoice agentsガイドは音声エージェントの構成を3つに分け、GPT-Liveを「Full-duplex conversations with a separate backend」、Realtime APIを「Speech, reasoning, and tool use in one session」と書き分けています。

GPT-Liveは話し相手の役だけを持ち、調べ物やツール実行は「委任（delegation）」でResponses APIのモデルか自社のエージェントに回します。裏で処理が走っている間もユーザーと話し続けられるのが利点です。Realtime 2.1は1つのモデルが音声を聞き、考え、ツールを選び、話します。

判断は既存の資産で決まります。テキストのエージェントや業務ロジックが既にあり、それに声を付けたいならGPT-Live、電話の一次受付や注文照会のように会話とツール呼び出しを1つのセッションで完結させたいならgpt-realtime-2.1です。GPT-Liveの公式移行ガイドは、Realtimeのプロンプトを丸ごと移さず、話し方は音声側、業務手順とツールの指示は裏のモデル側へ分けるよう求めています。移行は書き換えを伴うので、Realtime 2.1で動いている仕組みを急いで移す理由はありません。画像を見せながら話す用途はGPT-Liveが画像入力に対応していないため、Realtime 2.1を選びます。GPT-Live側には10月16日に日本語向けの音声Harema（女性）とShida（男性）が追加されました。Realtime 2.1で選べる音声は、SDKの型ではmarin・cedarを含む10種です。GPT-Liveの仕組みと料金の詳細はGPT-Live-1とは？OpenAIのフルデュプレックス音声モデルの仕組みで扱っています。既存の基幹システムや予約システムを音声エージェントのツールとしてつなぐ開発は、当社のAPI開発・システム連携で支援しています。

GPT-Realtime-TranslateとGPT-Realtime-Whisperの現状

5月にGPT-Realtime-2と同時に出た2つのモデルは、会話エージェントではなく通訳と文字起こしの専用モデルです。どちらもトークンではなく音声の長さで課金されます。

GPT-Realtime-Translate：同時通訳専用のエンドポイント

GPT-Realtime-Translateは、話者が話している途中から訳した音声と字幕を返すモデルで、料金は$0.034/分で、月1,000分なら$34、月10,000分なら$340です。接続先は会話用のv1/realtimeではなくv1/realtime/translationsで、公式の翻訳ガイドによるとresponse.createを呼ばず、届いた音声から訳を流し続けます。出力言語は1セッションに1つで、英語の話者をスペイン語とフランス語へ同時に訳すならセッションを2本張ります。対応言語は入力が70以上、出力が13です。OpenAIの発表には、インドのBolnaAIがヒンディー語・タミル語・テルグ語の評価で、試した他のモデルより単語誤り率が12.5%低かったという報告が載っています。日本語から英語への同時通訳では、述語が出る前の訳出をどこまで待つかも評価項目です。文末までの待ち時間と訳の正確さを、実際の会議や問い合わせの発話で確認します。通訳を使う会議では遅延を許して精度を取り、問い合わせ窓口では応答の速さを取るといった、用途ごとの評価が要ります。2027年2月26日には旧/v1/audio/translationsが停止し、移行先としてv1/realtime/translationsが指定されています。

GPT-Realtime-Whisperと後継のgpt-live-transcribe

GPT-Realtime-Whisperはストリーミングの文字起こしモデルで、料金は$0.017/分です。ただし7月28日にgpt-live-transcribeが同じ$0.017/分で出てからは、公式の文字起こしガイドがライブ文字起こしの推奨モデルをgpt-live-transcribeとし、gpt-realtime-whisperは「not the recommended starting models for a new transcription integration」と既存の連携向けの扱いになりました。停止日はまだ出ていませんが、新規に組むならgpt-live-transcribeを選びます。複数の言語ヒント、キーワードのヒント、遅延と精度のバランスを決めるdelay設定はgpt-live-transcribe側に用意されています。言語別のWER（単語誤り率）はOpenAIもMicrosoftも単一の値を公表しておらず、固有名詞・数字・日付を含む自社の録音で測るしかありません。gpt-live-transcribeの実装と料金の比較はGPT-Live-Transcribeとは？OpenAIの低遅延ストリーミング文字起こしの実装手順で扱っています。

Azure（Microsoft Foundry）でのgpt-realtime-2.1の提供状況

gpt-realtime-2.1と2.1-miniはMicrosoft Foundryでも提供され、バージョン表記は2026-07-07です。Microsoft LearnのFoundry Modelsのリージョン提供表（2026年9月4日更新）で、Realtime系のモデルが載っているのはGlobal Standardだけでした。

Japan East・Australia East・Korea Central・Southeast Asiaにはありません。gpt-realtime-2・translate・whisperも同じ6リージョンです。Global Standardは処理先のリージョンをAzureが選ぶ方式で、データの処理場所を日本に限定する要件があるなら、Azure経由にしても満たせません。日本リージョンで使えるモデルの一覧はAzure OpenAIの日本リージョン選定にまとめています。Azure上で音声エージェントを組むならVoice Live APIも候補で、こちらは音声認識・合成とモデルを1つのAPIにまとめたサービスです（Voice Live APIとは？料金・日本語対応・Pythonでの使い方）。

旧Realtimeモデルの停止日と移行先

OpenAIの廃止予定一覧には、2.1系を移行先に指定した停止予定が2回分載っています。2027年1月は音声まわりの停止が集中するため、旧モデルで動いている仕組みは年内に切り替えの検証を始めます。

gpt-realtime-2と1.5には、10月17日時点で停止日の告知はありません。読み上げ専用のtts-1系の移行先が会話モデルの2.1-miniになっている点は見落としやすく、テキストを読み上げるだけの用途でもRealtimeのセッションを張る構成へ書き換えが要ります。単価も文字数課金（tts-1は100万文字$15）から音声トークン課金に変わるため、移行前に代表的な文章で費用を測り直します。Realtime APIのベータ版（OpenAI-Beta: realtime=v1ヘッダー）は2026年5月12日に削除済みで、ベータのイベント名を使う古いコードは2.1へ移る前にGA版の形式へ直す必要があります。

よくある質問

gpt-realtime-2とgpt-realtime-2.1はどう違いますか？

単価・128Kコンテキスト・最大出力32,000トークン・知識カットオフは同じです。2.1は英数字の聞き取り、無音と雑音の扱い、割り込み時の挙動が改善されています。新規に作るなら2.1を選びます。

gpt-realtime-2.2やgpt-realtime-3は出ていますか？

2026年10月17日時点で、OpenAIのchangelogとモデル一覧に2.2以降のRealtimeモデルはありません。7月6日公開のgpt-realtime-2.1と2.1-miniが現行です。9月10日に出たGPT-Live 1は別のAPIで動く別系統のモデルです。

gpt-realtime-2.1はAzureの日本リージョンで使えますか？

使えません。Microsoft Foundryでの提供はGlobal Standardのみで、リージョンはEast US 2・Central US・Canada Central・France Central・Sweden Central・South Indiaの6つです。Japan Eastは含まれていません。

gpt-realtime-2.1-miniの料金はいくらですか？

100万トークンあたり音声入力$10・音声出力$20・テキスト入力$0.60・テキスト出力$2.40です。音声のキャッシュ入力は$0.30です。旧gpt-realtime-miniと同じ単価で、推論とツール呼び出しに対応しています。

GPT-Live 1とgpt-realtime-2.1の料金はどう違いますか？

GPT-Live 1は会話の時間に$0.05/分（秒単位）がかかり、委任先のモデルとツールの費用は別に請求されます。gpt-realtime-2.1は音声とテキストのトークン量で課金されます。会話の時間で予算を組みたい場合はGPT-Live、1つのモデルで完結させたい場合は2.1が向きます。

関連記事

• リアルタイムAPI（Realtime API）とは？接続方式と実装手順【2026年8月版】
• GPT-Live-1とは？OpenAIのフルデュプレックス音声モデルの仕組み・Realtime APIとの違いと実装判断を解説【2026年7月版】
• GPT-Live-Transcribeとは？OpenAIの低遅延ストリーミング文字起こしの実装手順とGPT-Transcribeとの使い分けを解説【2026年7月版】
• Voice Live APIとは？料金・日本語対応・Pythonでの使い方【2026年9月版】
• Azure OpenAIの日本リージョン選定：東日本・西日本で使えるモデルをデプロイの種類別に確認【2026年10月】