OpenAIは2026年5月7日、音声インテリジェンスの新モデル3種類をAPIで提供開始した。リアルタイム会話、多言語翻訳、文字起こしという異なる用途ごとに専用モデルが用意されており、低遅延の音声アプリケーション構築が可能になる。
「GPT-Realtime-2」は会話しながら思考する推論機能を備えたリアルタイム音声モデルで、複雑な質問にも即座に応答しながら正確さを保つ。「GPT-Realtime-Translate」は70言語以上のリアルタイム翻訳に対応し、異言語間の会話をその場で橋渡しする用途に向く。「GPT-Realtime-Whisper」はリアルタイムの文字起こし機能に特化しており、会議・インタビュー・医療記録など音声をテキスト化する場面で使える。
3モデルとも低遅延を重視した設計で、CarPlayなどのプラットフォームへの統合が報告されており、モバイル・車載アプリケーションへの組み込みも想定されている。開発者はAPIを通じてそれぞれの用途に合ったモデルを選んで統合できる。
ElevenLabsやDeepgramが先行してきた音声AI分野に、GPT系モデルの品質を武器にOpenAIが本格参入する流れが続いている。翻訳・文字起こし・会話を一社のAPIで統一できることは、複数ベンダーのツールを組み合わせてきた開発者にとって管理コストを下げる選択肢になる。
