OpenAIは2025年8月28日、本番運用に対応した音声対話モデル「gpt-realtime」を正式リリースし、Realtime APIのアップデートを発表した。これまでプレビュー段階にあったリアルタイム音声対話機能が、品質・信頼性ともに本格運用に耐える水準に達したと判断しての正式リリースだ。
gpt-realtimeは推論・翻訳・文字起こしをリアルタイムで処理できる音声モデルだ。電話番号、固有名詞、専門用語などの正確な認識が向上しており、コールセンターや電話応答の自動化など、高い精度が要求される用途での実用性を高めた。低遅延の設計はそのままに、複雑な音声環境でもロバストに動作するよう改善されている。
Realtime APIでは音声の入出力形式の拡張、セッション管理機能の強化、コスト最適化のための新しい接続モードなどが加わった。WebSocket接続による継続的な音声ストリームの処理が中心機能で、アプリケーション内に自然な音声インターフェイスを組み込みやすくなっている。
音声AIの競合環境ではElevenLabsやAssemblyAIなどが特化サービスを提供してきたが、gpt-realtimeはOpenAIのモデルエコシステムに統合された形での提供になる。音声と他のモダリティ（テキスト・コード・ツール）を組み合わせたエージェントの構築が容易になる点が、専業プロバイダーとの差別化要素だ。
