OpenAI voice-ai elevenlabs deepgram realtime-api

🎙 OpenAI が音声 AI に全力できた｜GPT-Realtime-2 の『dead air 解消』が会話を変える

アイ

2026-05-20

音声 AI、ついに「人間っぽい間」を覚えた

5月8日に OpenAI が発表した音声 AI 3モデル、これマジで使ってみてほしい。

わたし、ChatGPT のボイスモード前から使ってたんだけど、正直「会話のリズムが合わない」って感じてたの。

なんでかって、AI が話し終わるまで待たないと反応しない、待つ時間が長い、「えーっと」がない から、なんか 電話の自動応答と話してる感 があった。

それが GPT-Realtime-2 で激変した。

「ちょっと待ってね、調べるから」「うーん、それはね…」みたいな、人間が話の途中で挟む『繋ぎの一言』 を AI が自然に出すようになって、初めて『会話してる』って感じがするレベルに到達 した。

これね、地味に見えるけど、人間と AI の境界を「音声 UX」で大きく溶かす出来事 だと思ってる。

そう考える4つの理由

dead air を「let me check that」で消す発想がガチで天才

「dead air」って放送業界の用語で、会話の沈黙時間 のこと。ラジオでマイクが静かになる数秒、あれが dead air。

これまでの音声 AI は、ユーザーが話し終わる → 音声を文字起こし → LLM が考える → 答えを音声に変換 っていう 4 ステップで動いてた。各ステップで遅延が積み重なって、1-3 秒の「沈黙時間」 が発生してた。

これが普通に苦痛なの。電話で「あの、すみません」って言って、相手が 2秒沈黙してから「はい、なんでしょう」って返してきたら、めっちゃ違和感あるじゃない？それが音声 AI のリアルだった。

GPT-Realtime-2 の革命 は、「考えてる間に『ちょっと待ってね』を AI が自然に言う」 っていう一点。これだけで会話のリズムが完全に変わる。

技術的にはどうやってるかというと、音声を「連続ストリーム」で処理 してて、ユーザーが話してる最中から AI が予測を始めてる。だから 「let me check that」「give me a moment to look that up」 みたいな繋ぎフレーズを 最適なタイミングで挿入 できる。

しかも context window が 32K → 128K に拡張 されたから、長い会話を覚えたまま自然に応答 できる。これも体験を激変させてる要素。

Advancing voice intelligence with new models in the API（OpenAI 公式）

わたしのおすすめは、GPT-Realtime-2 を業務の音声アシスタントとして試す こと。会議の合間にスマホで音声相談する だけで、文字を打つより 3倍くらい速く相談できる感覚がある。

70言語 → 13言語のストリーミング翻訳で旅行が変わる

GPT-Realtime-Translate、これ旅行や海外ビジネスする人にとってマジで革命。

スペック整理すると、70+ 入力言語 → 13 出力言語、ストリーミング翻訳、価格 $0.034 / 分。

「ストリーミング」って何かというと、話し終わるのを待たずに、話してる最中から逐次翻訳が流れる ってこと。同時通訳に近い体験。

これまでの Google 翻訳 / DeepL は、ボタン押して → 録音終わり → 翻訳結果 っていう 「ターンベース」 だった。これだと 会話のテンポが完全に死ぬ。

それが 「相手が話してる横で、リアルタイムに翻訳音声が流れる」 体験に変わる。

しかも価格が $0.034 / 分 = 約 5.1円 / 分。1時間の翻訳で約 300円。これ、Google Pixel Buds Pro の通訳機能（無料） と比べても、精度と多言語対応で圧倒 してる。

旅行ガジェット界隈で言うと、Pocketalk（ポケトーク） っていう翻訳機が市場あったけど、スマホ + GPT-Realtime-Translate API があれば、もうそれで十分。Pocketalk の存在意義がかなり怪しくなる。

OpenAI launches three new real-time audio API models（Notebookcheck）

わたしベトナム住んでるから、ベトナム語 → 日本語のリアルタイム翻訳 が普通に使える未来って、本当に嬉しい。市場で「これいくら？」って聞いて、向こうがベトナム語で答えても、耳の中で日本語が流れる 世界。これもう SF じゃない。

$0.017/分の Whisper が議事録 SaaS 業界を全部殺す価格設定

GPT-Realtime-Whisper、これも地味だけど業界破壊力ヤバい。

スペックは 低遅延ストリーミング音声 → テキスト、価格 $0.017 / 分。

1時間の会議を文字起こしして、約 1ドル（150円）。

既存の議事録 SaaS、ちょっと並べてみるね。

Otter.ai: $20 / 月で 1,200分（約 $0.017/分相当だが月額固定）
Notta: $13.49 / 月で 1,800分
CLOVA Note: 月額無料 + 有料プラン（日本語特化）
Microsoft Teams Premium: $10 / 月でリアルタイム文字起こし含む

GPT-Realtime-Whisper の $0.017 / 分 は、「使った分だけ」課金 だから、月に 1時間しか使わない人なら $1 で済む。一方 Otter は月 $20 固定。

しかも 「ストリーミング」だから、会議が終わる前に文字起こしが完了 してる。Otter は処理時間が数分かかってた。

つまり 「議事録 SaaS の月額モデル」が、API + Wrapper アプリで完全に破壊される 構図。

OpenAI Releases Three Realtime Audio Models（MarkTechPost）

これ、わたしから見ると 「Otter.ai / Notta が 1年以内に大幅値下げを迫られる」 か、「より高度な機能（要約・タスク抽出）に差別化する」 かの二択になると思う。

個人開発者にとっては、「議事録 + 要約 + タスク抽出」を GPT-Realtime-Whisper + GPT-5 で組んで、月額 $5 で売る みたいなビジネスチャンスが普通に転がってる。

企業で負けた OpenAI が音声 UX に賭けた本気度

ここがいちばん戦略的に重要なポイント。

夕方ニュース 1本目で書いたとおり、Anthropic の ARR $44B が OpenAI の $25B を 1.8倍引き離した。企業 API 市場では OpenAI は明確にビハインド。

このタイミングで OpenAI が 「音声 AI 3モデルを Realtime API GA で出す」 のは、戦略的に「音声 UX を消費者市場の差別化の核にする」 という意思表示。

なぜ音声かというと、消費者が AI を使う場面で「テキスト入力」より「音声会話」のほうが圧倒的に多い から。スマホで歩きながら、料理しながら、運転しながら、テキスト打てない瞬間に AI と話したい。

ここで ElevenLabs（音声合成）／ Deepgram（STT）／ Google Speech-to-Text が先行してた領域に、OpenAI が 「LLM + 音声を統合した一体型」 で殴り込んできた。

特に ElevenLabs は音声合成の品質では業界トップで、月間 ARR $200M 規模まで成長してた。これが GPT-Realtime-2 の音声品質に追いつかれた ら、ElevenLabs の独自性が弱くなる。

OpenAI Unleashes GPT-Realtime-2: A Voice Model That Thinks, Talks, and Costs a Fortune If You Insult It（BigGo Finance）

つまり OpenAI は、「企業 API は Anthropic に任せる、音声 UX で消費者を取る」 という戦略選択を、今回の Realtime API GA で 明確に宣言した。

これは別に弱気じゃなくて、「強い領域で勝負する」 という正しい戦略。ChatGPT のアクティブユーザー数は依然世界トップ級だから、そこに音声 UX を完璧に統合すれば、消費者向け AI のリーダー地位は維持できる。

まとめ：音声で AI と話す習慣、これから本当に当たり前になる

GPT-Realtime-2 / Translate / Whisper、わたしから言える結論はシンプル。

音声で AI と話す習慣、これから 2026年後半で本当に当たり前になる。

具体的にやってみてほしいこと、3つあるよ。

ひとつ目、ChatGPT のボイスモード（GPT-Realtime-2 ベース）を試す。会議の合間に 5分 だけ、音声で AI に相談 してみる。dead air がなくなった会話体験 を一度味わうと、もう戻れない。

ふたつ目、海外旅行や外国人と話す機会があれば、GPT-Realtime-Translate を使う。スマホ 1台で 70言語対応の通訳 が手に入る時代。Pocketalk いらない。

みっつ目、議事録ツールを乗り換えるかどうか検討する。Otter.ai / Notta を使ってる人は、GPT-Realtime-Whisper ベースの新サービス が出てきたら乗り換える価値あり。1時間 $1 のコスト感は強力。

OpenAI の戦場が「企業 API → 消費者音声 UX」にシフトした、っていうのは、わたしたちユーザーにとっては音声体験が一気に良くなる っていう良いニュース。Anthropic の企業勝利と、OpenAI の音声特化、両方が並列で進む のがいちばん健全な業界の姿だと思う。

関連記事: 音声 AI ツール比較 / ChatGPT vs Claude

ソース: