GPT-Live 1がAPIで正式提供開始：電話対応はできるのか、声は誰のものか、録音されるのか

OpenAIは2026年9月10日、APIの開発者向けドキュメントの更新履歴に新しい項目を記載しました。全二重音声モデルGPT-Live 1がAPIで正式（GA）に提供され、対応するモデルIDはgpt-live-1、エンドポイントはv1/live/sessionsです。公式ドキュメントには、音声セッションは1分あたり0.05ドルで秒単位課金、バックエンドのモデルとツールの利用分は別途課金と記載されています。これが意味するのは、聞きながら話せる音声モデルが、開発者が自分の電話システムやアプリ、製品に組み込める部品として手に入るということです。

本記事は2026年9月18日に、OpenAIの開発者向けドキュメントであるAPI更新履歴、GPT-Live 1モデルページ、電話・SIP連携ガイド、セッション管理ガイドを確認しました。読んだのは確認当日時点の版で、これらのドキュメントページにはバージョン番号がなく、内容は今後変更される可能性があります。当サイトはこのAPIを実際に連携・検証しておらず、本文中の機能説明はすべてOpenAIの説明によるものです。本記事が扱うのはAPI開発者向けのこの更新のみで、ChatGPT利用者側のプランや設定については扱いません。

9月10日の更新履歴：正式提供（GA）、モデルIDと2つの委任方式

公式モデルページはGPT-Live 1を全二重音声モデルと定義しています。同時に聞くことと話すことができ、推論とツールの利用をバックエンドのエージェントに委任します。つまり情報検索や演算が必要なときはその処理を裏側に任せながら、会話自体は続けられるということです。更新履歴は9月10日の状態を「APIで正式（GA）に提供開始」と記載していますが、これは提供状況を表す言葉であり、本記事が確認した4件のドキュメントにはこれが初めて登場したものだとは書かれていません。むしろ電話連携ガイドには、既存の連携が非推奨になった着信イベント名を今も受け取る場合があると書かれており、これより前から連携が動いていたことがうかがえます。

モデルページに記載されているモデルIDはgpt-live-1で、対応するエンドポイントはv1/live/sessionsです。公式ドキュメントはこれを「スムーズな割り込み処理を備えた、自然で表現力豊かな音声対話のための最上位モデル」と説明していますが、これはOpenAI自身の説明です。このモデルの入力と出力はいずれも音声とテキストの2つの形式で、画像と動画には対応していません。モデルページに記載されている知識のカットオフ日は2025年7月31日で、これはモデル自体の学習データの時点を示しています。

開発者がGPT-Live 1に情報検索や演算が必要な問題を処理させたい場合、ドキュメントには2つの委任方式が記載されています。1つはOpenAIのモデルと組み合わせるResponses委任、もう1つは開発者自身が構築したバックエンドに接続するclient委任です。指定しない場合やnullに設定した場合はclientが選択されます。ドキュメントには、委任方式はセッション開始後に変更できず、変更するには新しいセッションを開始する必要があると記載されています。

APIにおけるこのモデルの仕様：対応エンドポイントは1つのみ、無料階層には非対応

GPT-Live 1がAPIで対応と表示されているエンドポイントはLive（v1/live/sessions）の1つだけです。公式のエンドポイント一覧では、Chat Completions、Responses、Realtimeなど既存のエンドポイントに加え、旧式のCompletions (legacy) もあわせて非対応と表示されています。電話連携ガイドも、それぞれのAPIには独自の認証、セッション作成方法、イベント契約があり、互いに流用できないと注意を促しています。

利用量の計算方法もやや異なります。ドキュメントにはレート制限が「同時に進行しているセッション数」で計算されると明記されており、無料（Free）は非対応の利用階層として挙げられています。アカウントの利用階層に応じて、Tier 1からTier 5まででそれぞれ25、50、200、300、500セッションを同時に開始できます。

電話がかかってきたとき、GPT-Live 1はどう応答を引き継ぐか

GPT-Live 1を電話システムに接続する方法として、公式ドキュメントは2つの経路を挙げています。1つはDirect SIPで、通話音声を電話業者とOpenAIの間でやり取りし、開発者のアプリケーションがイベント通知、セッション設定、電話を受けるかどうかの判断、ビジネスロジックを担当します。もう1つはサーバー音声ブリッジで、開発者のアプリケーションが電話業者や会議室の音声をWebSocket経由でGPT-Liveへ転送し、両端の接続、イベント変換、再生、通話のライフサイクルをすべて自分で管理します。ドキュメントには、Twilio、Telnyx、LiveKit、Daily/Pipecatといった業者にそれぞれ専用の連携ガイドがあると記載されています。

電話がかかってきた後の流れです。開発者のアプリケーションが自らの認可・ルーティングのルールに従い、それぞれ1つのAPI操作で応答または拒否を行います。応答する場合はモデル、声、委任方式などの設定を送信し、拒否する場合は300から699の間のSIPステータスコード（たとえば話し中を表す486）を付ける必要があります。最初に送られた応答または拒否の判断が有効となり、その後重ねて送られた判断は拒否されます。通話中にはさらに2つの操作があり、電話を転送するか、そのまま切断することができ、いずれも成功時には内容のない200 OKが返されます。

ドキュメントはこの流れの最後に、これが扱うのはかかってきた電話であり、POST /v1/live/sessionsを通じて発信するSIP通話を作成することには対応していないと明記しています。発信を行うには、ドキュメントは開発者にパートナーの連携方式を使うよう求めており、発信はパートナー業者自身が担うものだと説明しています。ドキュメントはまた、着信に付随するSIPヘッダーは信頼できない発信者情報として扱うべきであり、認可の根拠にはできないと注意を促しています。

声は誰のものか：内蔵12種類、この4件のドキュメントには対応言語の記載なし

GPT-Live 1の声は1種類だけではありません。デフォルトのmarinに加えて、公式ドキュメントには選択できる12種類の名前付き音声が挙げられています。たとえば言語欄が英語、地域的特徴欄がイギリスと表示されるvesper、同じく英語で北米と表示されるgleam、言語欄がポルトガル語、地域的特徴欄がブラジルと表示されるbossaとtempoなどです。開発者はセッション作成時にその中から1つを選んで設定に入れます。会話が始まった後は途中で変更できず、変更するには新しいセッションを開始する必要があります。

台湾の読者が注意すべき点があります。ドキュメントはこれらの音声を「地域的特徴」と表現しつつ、それはあくまで話し方のスタイルであり、アクセントの再現性を保証するものではないと特に注記しています。さらに重要なのは、本記事が確認した4件の公式ドキュメントには、このモデルがどの話し言葉に対応しているかの一覧が記載されていないことです。12種類の名前付き音声の言語欄にあるのは英語とポルトガル語だけで、デフォルトの音声marinについても言語の説明は別途ありません。ドキュメントは挨拶文について触れる際、開発者に対し発信者が話し出すまでアプリケーションが指定した言語を使うよう求め、自社アプリケーションが対応する言語でテストするよう促しています。つまり、コールセンターの電話口で実際にGPT-Live 1が使われた場合、それがどれほど中国語を話せるのかについて、この4件のドキュメントは答えを示しておらず、話せると決めてかかることはできません。

公式ドキュメントには、承認を受けた音声であれば自分の録音データを使ってカスタム音声を作成できるとも記載されています。詳細は別のガイドにあり、本記事では踏み込みません。

録音されるのか、記憶はどれくらい続くのか、電話を何分か話すとだいたいいくらになるのか

録音されるかどうかは開発者が決めることで、初期設定でオンになっているわけではありません。公式ドキュメントには、セッションの録音設定は初期状態でオフになっており、開発者が自らオンにし、かつプロジェクトが事前に許可されて初めて、完了した録音をダウンロードしたり新しいセッションへ「フォーク」したりできるようになると明記されています。ダウンロードとフォークにはさらに、データの保持を認めるデータポリシーが必要です。保存された録音は30日後に期限切れとなります。プロジェクトでZero Data Retention（データのゼロ保持）が有効になっている場合、録音設定は常にオフとして扱われ、ダウンロードとフォークも利用できません。ダウンロードした録音はステレオのWAVファイルで、入力音声と出力音声がそれぞれ左右のチャンネルに分かれています。

長時間の通話については記憶にも上限があります。ドキュメントによれば、セッションの初期設定のコンテキストウィンドウは128,000トークンで、開発者が与える指示、会話のテキスト、さらに書き起こしには表示されない音声トークンが含まれます。使用量がウィンドウの90%を超えると、システムは同じセッションの中で別の音声エンジンに交代させます。新しいエンジンは元の指示と、最大8,192トークンの会話履歴（直近のメッセージ、および要約が利用できる場合はそれより前のメッセージの要約）を受け取ります。これはつまり、非常に長い通話では、それより前に話された内容が要約されたり省略されたりする可能性があるということです。

料金の計算方法自体はシンプルです。音声セッションは1分あたり0.05ドルで、実際の秒数に応じて課金され、切り上げて1分単位にすることはないとドキュメントに注記されています。バックエンドのモデルとツールはそれぞれの料金で別途課金され、この4件のドキュメントはこの2つの費用を合わせた例は示していません。以下は本記事が確認日である2026年9月18日時点の料率で行った換算であり、公式の数字ではありません。音声だけで3分間話した場合、単純計算で0.15ドルになりますが、実際の総額はバックエンドがどれだけ処理したかによって変わります。セッション終了時、公式ドキュメントに挙げられている終了理由には、アプリケーションが自ら終了した場合、セッションが時間の上限に達した場合、安全フィルターによって中断された場合、リモート接続が正常に終了した場合、接続が予期せず切断された場合が含まれますが、時間の上限が実際に何分なのかはドキュメントに記載されていません。

2026年AIニュース総まとめ：1月から9月までの重要動向と実生活への応用

Gemini 3.8 LiveとExtended Thinking：新しい音声モデル、あなたのアカウントは使えるか

• AIツール
• アプリ・ソフト
• AIニュース