音声での問い合わせ対応を強化するGPT-4o（Realtime API）の活用方法

電話やアプリの問い合わせ窓口を音声AIで自動化したいとき、鍵になるのは「GPT-4」ではなく、その音声対応版であるGPT-4oと、音声のまま会話できるOpenAI Realtime APIです。GPT-4oは音声入力に最短232ミリ秒（平均320ミリ秒）で応答し、人間同士の会話に近いテンポを実現します。2025年8月に一般提供が始まったgpt-realtimeモデルは、Webブラウザ（WebRTC）だけでなく電話回線（SIP）にも直接つなげられ、function callingで社内システムを照会したり有人オペレーターへ引き継いだりできます。本記事は、この仕組みを問い合わせ対応（コンタクトセンター・カスタマーサポート）にどう組み込むかを、構成手順・モデル選定・料金・注意点まで整理します。

まとめ

• 問い合わせ対応の音声AIは、テキスト向けのGPT-4ではなくGPT-4o＋Realtime API（gpt-realtime）で組む。音声を一度テキストに変換せず、音声のまま低遅延で応答できる。
• Realtime APIはWebRTC・WebSocket・SIPに対応。SIP接続で既存の電話番号に着信させ、ボイスボットとして一次受けできる。
• function callingで注文状況照会・本人確認・予約変更などを実データに基づいて回答し、解決できない案件は有人へ引き継ぐ設計が現実的。
• 料金は音声トークン課金で、gpt-realtimeは音声入力$32／出力$64（1Mトークン）。一次受けは低コストのgpt-realtime-2.1-miniなど用途でモデルを使い分ける。
• ハルシネーション・個人情報・遅延のフォールバックは設計段階で潰す。完全自動化ではなく「有人と組み合わせる前提」で導入する。

GPT-4oの音声機能で問い合わせ対応が変わる理由

従来の音声IVR（自動音声応答）は、決められた分岐を番号入力でたどる方式で、自由発話には弱いのが難点でした。GPT-4oは音声を直接理解して音声で返すため、利用者は「注文番号◯◯の配送状況を教えて」と話すだけで済みます。旧来の「音声→テキスト変換→LLM→音声合成」という多段構成が抱えた遅延を、Realtime APIは音声to音声のひとつのモデルに統合し、応答の間合いを人の会話に近づけました。

ここで押さえるべきは、問い合わせ対応で使うのはテキスト対話用のGPT-4ではなく、音声対応のGPT-4oと、それを本番運用向けにしたRealtime API上のgpt-realtimeだという点です。gpt-realtimeは音声・テキストの入出力に加えて画像入力とfunction callingに対応し、コンテキストは32,000トークンです。音声AIモデルの全体像や最新の位置づけはOpenAI新発表3モデルの位置づけと音声AI市場における意義で補足できます。

問い合わせ対応での具体的な導入パターン

コンタクトセンターの一次受けとFAQ自動応答

営業時間外や混雑時の一次受けを音声AIが担い、「解約方法」「送料」「営業時間」など定型質問はその場で回答します。SIP接続を使えば既存の代表電話番号にそのまま着信させられるため、専用アプリを配布せずに電話チャネルへ導入できます。回答根拠は自由生成に任せず、社内FAQをfunction callingやRAGで引く設計にして、事実に基づく応答に固定します。

function callingによる社内システム照会と本人確認

「注文の配送状況」「予約の変更」など、利用者ごとに答えが変わる問い合わせは、function callingで基幹システムや予約DBを呼び出して実データを返します。会員番号や生年月日を音声で聞き取って本人確認を挟むフローも組めます。生成モデルに数字を推測させず、確定情報は必ず外部システムの戻り値を使うのが誤答を防ぐ勘所です。

感情変化の検知と有人オペレーターへの引き継ぎ

音声には声のトーンや話速といったテキストにない情報が乗ります。クレームで語気が強まった、同じ質問を繰り返している、といった兆候を検知したら、無理に自動応答を続けず有人オペレーターへ転送する分岐を用意します。AIは一次受けと定型処理に徹し、判断や謝意が要る場面は人へ渡す線引きが、満足度を下げないコツです。

通話ログの文字起こしと話者分離

応対後の要約・記録には、音声認識で通話をテキスト化し、オペレーターと顧客の発言を分ける話者分離が有効です。OpenAIの話者分離に対応した音声認識モデルgpt-4o-transcribe-diarizeを使えば、誰の発言かを区別した書き起こしをそのまま応対履歴やVOC分析に回せます。リアルタイム対話と記録用の文字起こしは、目的が違うのでモデルを分けて構いません。

Realtime APIで問い合わせ対応システムを組む手順

最小構成は次の流れです。まず利用者の音声を、Web窓口ならWebRTC、電話窓口ならSIPでRealtime APIに接続します。次に、応答時にfunction callingで社内システムを呼ぶツールを定義し、モデルが必要に応じて注文照会や予約変更を実行できるようにします。最後に、AIで解決できない条件（本人確認失敗・強いクレーム・対象外の問い合わせ）を決めておき、その場合は有人転送やチケット作成へフォールバックさせます。テキストチャットも併設するなら、オープンソースのAIチャットボットRasaのような別基盤とチャネルを分けて設計する方法もあります。

接続方式は用途で選びます。ブラウザやスマホアプリ内の会話はWebRTC、既存の電話番号での応対はSIP、サーバー間で細かく制御したい場合はWebSocketが向きます。

モデル選定と料金の考え方

Realtime APIの料金は音声トークン課金で、テキスト生成より単価が高い点に注意します。gpt-realtime系の代表的な料金は次のとおりです（1Mトークンあたり、2026年7月時点。変動が速いので発注前にOpenAI公式のpricingで確認してください）。

使い分けの目安は明快です。定型FAQの一次受けや大量着信の入口は低コストの-miniで受け、本人確認や複雑な相談に踏み込む場面だけ高品質モデルへ切り替えると、品質とコストの折り合いが付きます。このほか、多言語の同時通訳にはgpt-realtime-translate、記録用の文字起こしにはgpt-realtime-whisperと、目的別モデルが用意されています。

導入前に押さえる注意点

音声AIの問い合わせ対応は、次の3点を設計段階で潰さないと事故につながります。第一に誤答（ハルシネーション）。料金・在庫・契約内容のような確定情報は、モデルの生成に任せず必ずfunction callingで実システムの値を返します。第二に個人情報。音声には氏名・連絡先・カード情報が乗るため、録音・送信範囲とマスキング、決済情報を扱うならPCI DSSなどの要件を先に固めます。第三に遅延と障害時のフォールバック。API側の混雑や認識失敗に備え、一定回数聞き返しても解決しなければ有人やチケットへ確実に逃がす経路を用意します。

逆に、全面自動化を目的にすると失敗しやすいのがこの領域です。解約引き止め・重いクレーム・法的責任が絡む案内など、判断や謝意が必要な応対を無理に自動化すると、かえって不満と炎上を招きます。音声AIは「一次受けと定型処理を巻き取り、人の時間を難しい案件に集中させる」道具と位置づけるのが、導入で成果を出す前提です。導入設計や既存チャネルとの統合はAIチャットボット開発の相談窓口でも扱っています。

よくある質問

GPT-4とGPT-4oの音声対応は何が違いますか？

GPT-4は主にテキスト対話向けで、音声はいったんテキストへ変換して扱う必要がありました。GPT-4oは音声を直接理解して音声で返せるモデルで、最短232ミリ秒の低遅延応答が可能です。問い合わせ対応の音声AIはGPT-4oと、それを本番向けにしたRealtime API（gpt-realtime）で組みます。

Realtime APIは電話（SIP）に対応していますか？

対応しています。gpt-realtimeはWebRTC・WebSocket・SIPの各接続に対応し、SIP接続で既存の電話番号への着信を音声AIに受けさせられます。ブラウザやアプリ内の会話はWebRTCが向きます。

料金はどのくらいかかりますか？

音声トークン課金で、gpt-realtimeは音声入力$32・出力$64（1Mトークン）が目安です。低コストのgpt-realtime-2.1-miniは音声入力$10・出力$20です。単価は改定が多いため、発注前にOpenAI公式のpricingで最新値を確認してください。

日本語の問い合わせ対応に使えますか？

使えます。Realtime APIは日本語を含む多言語の音声理解・応答に対応しています。固有名詞や社内用語の認識精度は、function callingで社内データを参照させることで補えます。

問い合わせ対応を完全自動化できますか？

一次受けと定型応答は自動化できますが、完全自動化は推奨しません。本人確認失敗・強いクレーム・対象外の相談は有人へ引き継ぐ設計が現実的で、AIと人を組み合わせる前提で導入するのが成果につながります。

関連記事

• OpenAI新発表3モデルの位置づけと音声AI市場における意義
• gpt-4o-transcribe-diarizeとは？OpenAIの話者分離対応音声認識モデルを解説
• Rasa（ラサ）とは？オープンソースAIチャットボットの特徴・使い方を解説
• AIチャットボット開発会社｜生成AI・RAG対応｜株式会社一創