GPT-Realtime-2.1 APIはどのような業界で利用できますか？

GPT-Realtime-2.1は、カスタマーサービス、営業自動化、ヘルスケアアシスタント、教育プラットフォーム、スマートデバイス向けアプリケーションに適しています。

GPT-Realtime-2.1は関数呼び出しをサポートしていますか？

はい。GPT-Realtime-2.1はツールの使用と関数呼び出しをサポートしており、音声エージェントが会話中に外部アクションを実行できるようにします。

GPT-Realtime-2.1のコンテキストウィンドウはどのくらいのサイズですか？

GPT-Realtime-2.1は、128,000トークンのコンテキストウィンドウと最大32,000トークンの出力に対応しています。

GPT-Realtime-2.1 APIでリアルタイムの音声アシスタントを構築できますか？

はい。GPT-Realtime-2.1は音声から音声へのアプリケーション向けに設計されており、開発者が低遅延の会話型音声エージェントを構築できるようにします。

GPT-Realtime-2.1はどの入出力モダリティをサポートしていますか？

GPT-Realtime-2.1は、テキストと音声の入出力に加え画像入力をサポートしますが、動画入力には対応していません。

GPT-Realtime-2と比べて、GPT-Realtime-2.1にはどのような改善がありますか？

GPT-Realtime-2.1は、英数字認識、無音処理、ノイズ耐性、割り込み時の挙動を改善しつつ、リアルタイム推論とツール使用の能力を維持しています。

開発者はGPT-4o Realtime APIではなくGPT-Realtime-2.1をいつ選ぶべきですか？

より強力な推論、ツール実行、複雑な会話ワークフローを必要とする高度な音声エージェントには、GPT-Realtime-2.1を選択すべきです。

OpenAI

利用可能

gpt-realtime-2.1

GPT-Realtime-2.1 API

GPT-Realtime-2.1 updates GPT-Realtime-2 with improved alphanumeric recognition, silence and noise handling, and interruption behavior. It supports speech-to-speech interactions with configurable reasoning effort, instruction following, and tool use for complex voice-agent workflows.

最低料金

$3.20 / 入力100万トークン

従量課金

APIの稼働状況

利用可能

本番エンドポイント

応答速度

非同期対応

実測APIレスポンス

公開日

Aug 7, 2026

OpenAI

料金プラン

上記の簡易見積もりを1回分の目安にし、CometAPIと公式価格の詳細な比較もご確認ください。

最初のリクエスト

$0.0224

CometAPIの推定利用料金

10件のリクエスト

$0.2240

CometAPIの推定利用料金

15件のリクエスト

$0.3360

CometAPIの推定利用料金

⇌

クレジット換算

1,000クレジット = 1米ドル

クレジットを使用することで、トークン、リクエスト、実行時間に基づく料金体系間で予算を比較できます。決済時には、米ドル金額が正式な基準となります。

✓現在のモデルのクレジット料金

入力

3,200

クレジット / 100万トークン

出力

19,200

クレジット / 100万トークン

最低料金の透明性このプロトタイプでは、リクエストごとの非公開の最低料金は想定していません。本番環境で請求の最低金額または最低チャージ額が適用される場合は、購入前に表示し、すべての予算見積もりに含める必要があります。

モデル	Comet料金（米ドル / 100万トークン）	公式料金（米ドル / 100万トークン）	割引
gpt-realtime-2.1	入力: $3.20/100万出力: $19.20/100万	入力: $4.00/100万出力: $24.00/100万	-20%
gpt-realtime-2.1-mini	入力: $0.4800/100万出力: $2.88/100万	入力: $0.6000/100万出力: $3.60/100万	-20%

モデル概要

検索や評価に使える安定したモデル識別情報と、ページの中核となるSEO構造を書き換えることなく更新できる最新のカタログデータを組み合わせています。

安定した識別情報

GPT-Realtime-2.1とは？

正式なモデル識別情報は、料金や制限が変更されても変わりません。

最新のモデルデータ

現在のカタログスナップショット

提供状況

利用可能

開始価格

$3.20 / 入力100万トークン

コンテキスト

機能を見る

カタログ更新日

Aug 7, 2026

概要

GPT-Realtime-2.1の実用的な概要と、重要な挙動・統合時の注意点。

GPT-Realtime-2.1 の技術仕様

仕様	詳細
モデル名	GPT-Realtime-2.1
プロバイダー	OpenAI
モデルファミリー	GPT-Realtime series
モデルタイプ	リアルタイムのマルチモーダル音声推論モデル
主な機能	音声対音声のAIエージェント
入力モダリティ	Text, Audio, Image
出力モダリティ	Text, Audio
コンテキストウィンドウ	128,000 tokens
最大出力トークン数	32,000 tokens
推論サポート	設定可能な推論の強度
関数呼び出し	Supported
構造化出力	Not supported
ファインチューニング	Not supported
動画入力	Not supported
主な API エンドポイント	Realtime API
知識カットオフ	2024年9月30日

出典: OpenAI GPT-Realtime-2.1 のモデルドキュメント。

GPT-Realtime-2.1 とは？

GPT-Realtime-2.1 は、OpenAI が提供する高度なリアルタイム音声モデルで、音声で「聞き・考え・自然に応答」する会話型AIエージェントの構築に適しています。

別個の音声認識・言語理解・音声合成パイプラインに依存する従来の音声アシスタントと異なり、GPT-Realtime-2.1 はネイティブの音声対音声インタラクションを提供し、より低遅延で、割り込み処理や文脈理解に優れた会話を実現します。

本モデルは、カスタマーサービス、AIアシスタント、セールスオートメーション、教育プラットフォーム、インタラクティブな音声体験など、プロダクションの音声アプリケーション向けに最適化されています。

GPT-Realtime-2.1 のベンチマーク性能

GPT-Realtime-2.1 は、実運用のリアルタイム対話指標に注力して改善されています:

機能	改善点
音声の割り込み処理	改善
ノイズ耐性	改善
英数字認識	改善
ツールベースの音声ワークフロー	対応
音声対音声インタラクション	対応

GPT-Realtime-2.1 の主な機能

1. ネイティブな音声対音声インタラクション

GPT-Realtime-2.1 は、個別の音声認識や音声合成パイプラインを不要にします。

従来の音声アーキテクチャ:

User Voice
 ↓
Speech-to-Text
 ↓
LLM Processing
 ↓
Text-to-Speech
 ↓
Voice Response

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

これにより遅延が減り、会話の流れが向上します。

2. 音声会話品質の向上

GPT-Realtime-2.1 は、実環境での音声に関する複数の課題を改善しています。

割り込み対応の改善

ユーザーは AI が発話中でも自然に割り込めます。

例:

ユーザー:

「フライトを予約して—いや、やっぱり東京に変更で。」

インタラクションを最初からやり直すことなく、会話の変更に追随できます。

無音・ノイズ処理の改善

以下のように音声品質が万全でない環境向けに最適化されています:

コールセンター
モバイルデバイス
公共空間
スマートデバイス

3. 高度な音声エージェントのツール利用

GPT-Realtime-2.1 はツール呼び出しに対応し、音声エージェントがアクションを実行できます。

例:

カスタマーサービス:

User:
"Where is my order?"

AI:
→ Calls order database API
→ Retrieves status
→ Responds by voice

エンタープライズワークフロー:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

これにより、自律的な音声エージェントに適しています。

4. 設定可能な推論能力

速度重視だった従来のリアルタイム音声モデルとは異なり、GPT-Realtime-2.1 は推論の強度を設定可能にしました。

開発者は次のバランスを取れます:

応答遅延
正確性
タスクの複雑さ

低い推論設定:

シンプルな会話
FAQ アシスタント

高い推論設定:

複雑な顧客要望
複数ステップのワークフロー
事業運用

5. 数字と技術情報の認識精度向上

音声エージェントが苦手とする以下の項目を改善しました:

口座番号
シリアル番号
住所
製品コード
財務情報

英数字認識が向上し、エンタープライズ向け音声システムにより適しています。

6. マルチモーダル入力対応

GPT-Realtime-2.1 は次をサポートします:

入力	対応
テキスト	✅
音声	✅
画像	✅
動画	❌

画像入力により、次のようなユースケースが可能になります:

ビジュアルカスタマーサポート
文書の解釈
カメラベースのアシスタント

GPT-Realtime-2.1 と GPT-Realtime-2 と GPT-4o Realtime の比較

モデル	強み	最適な用途
GPT-Realtime-2.1	最も優れたリアルタイム推論と音声エージェント機能	プロダクション向け音声エージェント
GPT-Realtime-2	強力なリアルタイム音声推論	高度な会話型アプリ
GPT-4o Realtime	高速なマルチモーダル対話	汎用音声アシスタント

GPT-Realtime-2.1 と GPT-Realtime-2 の比較

GPT-Realtime-2.1 で改善された点:

音声割り込みからの復帰
ノイズ処理
認識精度
会話の堅牢性

共通点:

音声対音声アーキテクチャ
ツール呼び出し
推論サポート
Realtime API へのアクセス

GPT-Realtime-2.1 と GPT-4o Realtime の比較

GPT-Realtime-2.1 は、より高度なエージェントワークフロー向けに位置付けられています。

GPT-4o Realtime と比較:

機能	GPT-Realtime-2.1	GPT-4o Realtime
推論	より強力	一般的
コンテキスト	128K	32K
ツール利用	対応	対応
音声エージェント	高度	一般的
複雑なワークフロー	より適している	適している

CometAPI で GPT-Realtime-2.1 API を使う方法

GPT-Realtime-2.1 は低遅延の音声エージェントアプリケーション向けに設計されています。音声対音声のリアルタイム対話、音声入出力、画像入力、推論強度の設定、ツール対応の音声ワークフローのための関数呼び出しをサポートします。OpenAI は Realtime API を通じて、WebRTC、WebSocket、SIP ベースのリアルタイム通信手段を提供しています。

CometAPI は先進モデルへの統合を単一レイヤーで提供し、プロバイダー認証や SDK ロジック、インフラを個別に管理することなく、GPT-Realtime-2.1 スタイルのワークフローにアクセスできます。

ステップ1: CometAPI の API キーを取得

CometAPI アカウントを作成し、開発者コンソールから API トークンを生成します。

API リクエストには次を含めます:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

API キーはリクエストを認証し、CometAPI 経由で利用可能な AI モデルを呼び出せるようにします。

ステップ2: GPT-Realtime-2.1 セッションを作成

GPT-Realtime-2.1 は、従来のリクエスト-レスポンス型ではなく、永続的なリアルタイムセッションで動作します。

リアルタイムセッションは次を保持します:

音声入力ストリーム
モデルの応答
会話状態
ツール呼び出し
割り込み

OpenAI の Realtime API は、WebRTC、WebSocket、SIP インターフェースによるリアルタイム通信をサポートします。

例:

curl https://api.cometapi.com/v1/realtime/sessions \
-H "Authorization: Bearer YOUR_COMETAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '
{
  "model": "gpt-realtime-2.1",
  "modalities": [
    "audio",
    "text"
  ],
  "voice": "alloy",
  "instructions": "You are a helpful customer support voice assistant."
}
'

応答例:

{
  "id": "sess_xxxxx",
  "model": "gpt-realtime-2.1",
  "status": "active"
}

ステップ3: GPT-Realtime-2.1 に音声入力を送信

セッション作成後、ユーザー音声をストリーミングします。

ワークフロー例:

User microphone
        |
        ↓
Audio stream
        |
        ↓
GPT-Realtime-2.1
        |
        ↓
Generated voice response

音声入力には次が含まれます:

電話での会話
音声コマンド
カスタマーサポートの通話
対話型アシスタント

GPT-Realtime-2.1 は、以前のリアルタイムモデルと比べ、無音検出、ノイズ処理、割り込み挙動が改善されています。

ステップ4: リアルタイム音声応答を受信

モデルは、生成した音声応答をリアルタイム接続を通じて返します。

イベント例:

{
  "type": "response.audio.delta",
  "delta": "base64_audio_chunk"
}

アプリケーションは受信した音声チャンクを即時再生できます。

典型的な実装例:

WebRTC 音声アプリケーション
ブラウザベースのアシスタント
モバイル音声アプリ
AI 電話エージェント

ステップ5: 音声エージェントに関数呼び出しを追加

GPT-Realtime-2.1 は関数呼び出しをサポートし、音声エージェントが外部アクションを実行できます。

例:

{
  "tools": [
    {
      "type": "function",
      "name": "check_order_status",
      "description": "Retrieve customer order information",
      "parameters": {
        "type": "object",
        "properties": {
          "order_id": {
            "type": "string"
          }
        }
      }
    }
  ]
}

想定される音声エージェントのワークフロー:

"私の荷物はどこですか？"
"明日の会議を予約して。"
"サブスクリプションを解約して。"
"口座残高を確認して。"

モデルはリクエストを理解し、適切なツールを呼び出して、自然に会話を続けます。

ステップ6: 推論と指示を設定

GPT-Realtime-2.1 は推論の強度設定をサポートします。

例:

{
  "model": "gpt-realtime-2.1",
  "reasoning": {
    "effort": "medium"
  },
  "instructions": "Act as a professional travel assistant."
}

推奨設定:

アプリケーション	推論レベル
シンプルな音声コマンド	低
カスタマーサポート	中
複雑なワークフローエージェント	高

よくある質問

API

動作するエンドポイントとコード例をコピーし、全パラメーターが必要な場合は完全なAPIリファレンスを開いてください。

1つのAPIで本番対応のモデルアクセス

一度認証すれば、モデルエンドポイントを呼び出し、プロバイダー間で同じ請求・モニタリングフローを維持できます。

GET/v1/realtime

GPT-Realtime-2.1のサンプルコードとAPI

GPT-Realtime-2.1の包括的なサンプルコードとAPIリソースにアクセスして、統合プロセスを効率化しましょう。詳細なドキュメントでは段階的なガイダンスを提供し、プロジェクトでGPT-Realtime-2.1の潜在能力を最大限に活用できるよう支援します。

GET

/v1/realtime

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

cURL Code Example

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

Python Code Example

"""Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.

Install the client with: pip install websocket-client
"""

import json
import os
from urllib.parse import urlencode

from websocket import create_connection


MODEL = "gpt-realtime-2.1"
BASE_URL = "wss://api.cometapi.com"
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"


def get(path: str) -> str:
    """Build a WebSocket URL for the API's GET route."""

    return f"{BASE_URL}{path}?{urlencode({'model': MODEL})}"


socket = create_connection(
    get("/v1/realtime"),
    header=[
        f"Authorization: Bearer {COMETAPI_KEY}",
        "OpenAI-Beta: realtime=v1",
    ],
    timeout=30,
)

try:
    socket.send(
        json.dumps(
            {
                "type": "session.update",
                "session": {
                    "modalities": ["text"],
                    "instructions": "Answer clearly and concisely.",
                },
            }
        )
    )
    socket.send(
        json.dumps(
            {
                "type": "conversation.item.create",
                "item": {
                    "type": "message",
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "Give me one tip for a productive meeting.",
                        }
                    ],
                },
            }
        )
    )
    socket.send(json.dumps({"type": "response.create"}))

    while True:
        event = json.loads(socket.recv())
        event_type = event.get("type")
        if event_type in {
            "response.text.delta",
            "response.output_text.delta",
            "response.audio_transcript.delta",
            "response.output_audio_transcript.delta",
        }:
            print(event.get("delta", ""), end="", flush=True)
        elif event_type == "error":
            raise RuntimeError(json.dumps(event.get("error", event), indent=2))
        elif event_type == "response.done":
            print()
            break
finally:
    socket.close()

JavaScript Code Example

// Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.
// Requires Node.js 22 or newer, which includes a global WebSocket client.

const model = "gpt-realtime-2.1";
const baseUrl = "wss://api.cometapi.com";
const apiKey = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";

function get(path) {
  const url = new URL(`${baseUrl}${path}`);
  url.searchParams.set("model", model);
  return url;
}

const socket = new WebSocket(get("/v1/realtime"), [
  "realtime",
  `openai-insecure-api-key.${apiKey}`,
  "openai-beta.realtime-v1",
]);

socket.addEventListener("open", () => {
  socket.send(
    JSON.stringify({
      type: "session.update",
      session: {
        modalities: ["text"],
        instructions: "Answer clearly and concisely.",
      },
    }),
  );
  socket.send(
    JSON.stringify({
      type: "conversation.item.create",
      item: {
        type: "message",
        role: "user",
        content: [
          {
            type: "input_text",
            text: "Give me one tip for a productive meeting.",
          },
        ],
      },
    }),
  );
  socket.send(JSON.stringify({ type: "response.create" }));
});

socket.addEventListener("message", ({ data }) => {
  const event = JSON.parse(data.toString());
  if (
    [
      "response.text.delta",
      "response.output_text.delta",
      "response.audio_transcript.delta",
      "response.output_audio_transcript.delta",
    ].includes(event.type)
  ) {
    process.stdout.write(event.delta || "");
  } else if (event.type === "error") {
    console.error(JSON.stringify(event.error || event, null, 2));
    socket.close();
    process.exitCode = 1;
  } else if (event.type === "response.done") {
    process.stdout.write("\n");
    socket.close();
  }
});

socket.addEventListener("error", (error) => {
  console.error("WebSocket error:", error.message || error);
  process.exitCode = 1;
});

機能

アーキテクチャの選定や本番負荷の見積もり前に、重要なモデル情報を確認できます。

対応機能

既存のモデルAPIが返す機能。

text-to-speech

入力と出力

入力

text

出力

audio

本番環境プロファイル

プロバイダー: OpenAI
文脈: モデルによる
商用利用: 対応

ユースケース

audioの機能に合った本番ワークフローにGPT-Realtime-2.1を活用し、長期的な統合前に他の選択肢とも比較してください。

音声・音楽・オーディオ生成

音声体験とメディア制作

大規模な自動音声ワークフロー

他のモデル

品質・レイテンシ・機能・料金のトレードオフに応じて、CometAPIで利用できる他のモデルと比較できます。

モデル比較を開く →

ElevenLabs

Eleven V4

Eleven v4 は、ElevenLabs の表現豊かな音声合成モデルで、豊かな感情表現、文脈理解、高い声の一貫性を備え、自然な響きの音声を生成するように設計されています。

モデルを見る

ElevenLabs

ElevenLabs Voice Dubbing

ElevenLabs Voice Dubbing APIを見る。

モデルを見る

ElevenLabs

ElevenLabs Voice Isolation

ElevenLabs Voice Isolation APIを見る。

Seed Audio APIを見る。

GPT-4o mini Audio は、音声とテキストのインタラクション向けのマルチモーダルモデルです。音声認識、翻訳、音声合成（テキスト読み上げ）を行い、指示に従い、ストリーミング応答で構造化されたアクションのためのツール呼び出しが可能です。代表的な用途には、リアルタイム音声アシスタント、ライブ字幕化と翻訳、通話要約、音声制御アプリケーションが含まれます。技術的な特長には、音声入出力、ストリーミング応答、関数呼び出し、構造化された JSON 出力が含まれます。

モデルを見る

OpenAI

GPT-4o Transcribe

GPT-4o Transcribe は、多言語・低遅延の音声認識に対応した、音声をテキストに変換するモデルです。句読点付与や文分割に対応し、一般的な音声フォーマットからのリアルタイムストリーミングとバッチ書き起こしをサポートします。代表的な用途には、ライブ字幕、音声アシスタントの入力、会議メモ、メディアや通話録音の書き起こしが含まれます。技術的な特長には、音声モダリティのサポート、長時間音声の処理、インタラクティブおよびサーバーサイドのワークフローに適したAPIが含まれます。

モデルを見る

稼働時間

本番投入前に、リアルタイムのハートビートデータ、エンドポイントの可用性、実測レスポンスタイムを確認できます。

稼働時間

過去 30 日間のリクエスト成功率。各モデルプロバイダーの信頼性を反映しています。CometAPI はすべての接続プロバイダーをリアルタイムで 24 時間 365 日監視しています。

Respond

2010msAvg. Response

Uptime

70.2%Avg. Uptime

バージョン

本番統合を固定する前に、利用可能なモデル識別子を確認してください。

gpt-realtime-2.1

gpt-realtime-2.1-mini

更新情報

GPT-Realtime-2.1の安定したモデルページを維持したまま、提供状況、料金、機能に関する重要な変更を追跡できます。

モデル変更履歴

時間とともに価値が高まる1つのページ。

リリースノート、料金変更、ベンチマークの更新、移行ガイダンスがここに蓄積され、正規URLは変わりません。

Aug 7, 2026

APIの利用可能性を確認済み

GPT-Realtime-2.1はCometAPIのモデルカタログおよびAPIドキュメントを通じて利用できます。

現在

料金と制限をカタログと同期済み

料金、コンテキスト、利用可能性、制限は、ページタイトルやモデルの識別情報に埋め込むのではなく、動的なプロパティとして扱われます。

Aug 7, 2026

永続的なモデルエンティティを作成済み

プロバイダーとモデルのスラッグによって永続的な正規URLが形成されます。今後のコンテンツやデータの更新はこのページに反映されます。

さらに探る

モデルを比較して、調査を続けましょう

OpenAI

利用可能

gpt-realtime-2.1

GPT-Realtime-2.1 API

最低料金

$3.20 / 入力100万トークン

従量課金

APIの稼働状況

利用可能

本番エンドポイント

応答速度

非同期対応

実測APIレスポンス

公開日

Aug 7, 2026

OpenAI

料金プラン

上記の簡易見積もりを1回分の目安にし、CometAPIと公式価格の詳細な比較もご確認ください。

最初のリクエスト

$0.0224

CometAPIの推定利用料金

10件のリクエスト

$0.2240

CometAPIの推定利用料金

15件のリクエスト

$0.3360

CometAPIの推定利用料金

⇌

クレジット換算

1,000クレジット = 1米ドル

✓現在のモデルのクレジット料金

入力

3,200

クレジット / 100万トークン

出力

19,200

クレジット / 100万トークン

モデル	Comet料金（米ドル / 100万トークン）	公式料金（米ドル / 100万トークン）	割引
gpt-realtime-2.1	入力: $3.20/100万出力: $19.20/100万	入力: $4.00/100万出力: $24.00/100万	-20%
gpt-realtime-2.1-mini	入力: $0.4800/100万出力: $2.88/100万	入力: $0.6000/100万出力: $3.60/100万	-20%

モデル概要

安定した識別情報

GPT-Realtime-2.1とは？

正式なモデル識別情報は、料金や制限が変更されても変わりません。

最新のモデルデータ

現在のカタログスナップショット

提供状況

利用可能

開始価格

$3.20 / 入力100万トークン

コンテキスト

機能を見る

カタログ更新日

Aug 7, 2026

概要

GPT-Realtime-2.1の実用的な概要と、重要な挙動・統合時の注意点。

GPT-Realtime-2.1 の技術仕様

仕様	詳細
モデル名	GPT-Realtime-2.1
プロバイダー	OpenAI
モデルファミリー	GPT-Realtime series
モデルタイプ	リアルタイムのマルチモーダル音声推論モデル
主な機能	音声対音声のAIエージェント
入力モダリティ	Text, Audio, Image
出力モダリティ	Text, Audio
コンテキストウィンドウ	128,000 tokens
最大出力トークン数	32,000 tokens
推論サポート	設定可能な推論の強度
関数呼び出し	Supported
構造化出力	Not supported
ファインチューニング	Not supported
動画入力	Not supported
主な API エンドポイント	Realtime API
知識カットオフ	2024年9月30日

出典: OpenAI GPT-Realtime-2.1 のモデルドキュメント。

GPT-Realtime-2.1 とは？

GPT-Realtime-2.1 のベンチマーク性能

GPT-Realtime-2.1 は、実運用のリアルタイム対話指標に注力して改善されています:

機能	改善点
音声の割り込み処理	改善
ノイズ耐性	改善
英数字認識	改善
ツールベースの音声ワークフロー	対応
音声対音声インタラクション	対応

GPT-Realtime-2.1 の主な機能

1. ネイティブな音声対音声インタラクション

GPT-Realtime-2.1 は、個別の音声認識や音声合成パイプラインを不要にします。

従来の音声アーキテクチャ:

User Voice
 ↓
Speech-to-Text
 ↓
LLM Processing
 ↓
Text-to-Speech
 ↓
Voice Response

GPT-Realtime-2.1:

User Voice
 ↓
GPT-Realtime-2.1
 ↓
Voice Response

これにより遅延が減り、会話の流れが向上します。

2. 音声会話品質の向上

GPT-Realtime-2.1 は、実環境での音声に関する複数の課題を改善しています。

割り込み対応の改善

ユーザーは AI が発話中でも自然に割り込めます。

例:

ユーザー:

「フライトを予約して—いや、やっぱり東京に変更で。」

インタラクションを最初からやり直すことなく、会話の変更に追随できます。

無音・ノイズ処理の改善

以下のように音声品質が万全でない環境向けに最適化されています:

コールセンター
モバイルデバイス
公共空間
スマートデバイス

3. 高度な音声エージェントのツール利用

GPT-Realtime-2.1 はツール呼び出しに対応し、音声エージェントがアクションを実行できます。

例:

カスタマーサービス:

User:
"Where is my order?"

AI:
→ Calls order database API
→ Retrieves status
→ Responds by voice

エンタープライズワークフロー:

Voice command
↓
Reasoning
↓
API execution
↓
Voice confirmation

これにより、自律的な音声エージェントに適しています。

4. 設定可能な推論能力

速度重視だった従来のリアルタイム音声モデルとは異なり、GPT-Realtime-2.1 は推論の強度を設定可能にしました。

開発者は次のバランスを取れます:

応答遅延
正確性
タスクの複雑さ

低い推論設定:

シンプルな会話
FAQ アシスタント

高い推論設定:

複雑な顧客要望
複数ステップのワークフロー
事業運用

5. 数字と技術情報の認識精度向上

音声エージェントが苦手とする以下の項目を改善しました:

口座番号
シリアル番号
住所
製品コード
財務情報

英数字認識が向上し、エンタープライズ向け音声システムにより適しています。

6. マルチモーダル入力対応

GPT-Realtime-2.1 は次をサポートします:

入力	対応
テキスト	✅
音声	✅
画像	✅
動画	❌

画像入力により、次のようなユースケースが可能になります:

ビジュアルカスタマーサポート
文書の解釈
カメラベースのアシスタント

GPT-Realtime-2.1 と GPT-Realtime-2 と GPT-4o Realtime の比較

モデル	強み	最適な用途
GPT-Realtime-2.1	最も優れたリアルタイム推論と音声エージェント機能	プロダクション向け音声エージェント
GPT-Realtime-2	強力なリアルタイム音声推論	高度な会話型アプリ
GPT-4o Realtime	高速なマルチモーダル対話	汎用音声アシスタント

GPT-Realtime-2.1 と GPT-Realtime-2 の比較

GPT-Realtime-2.1 で改善された点:

音声割り込みからの復帰
ノイズ処理
認識精度
会話の堅牢性

共通点:

音声対音声アーキテクチャ
ツール呼び出し
推論サポート
Realtime API へのアクセス

GPT-Realtime-2.1 と GPT-4o Realtime の比較

GPT-Realtime-2.1 は、より高度なエージェントワークフロー向けに位置付けられています。

GPT-4o Realtime と比較:

機能	GPT-Realtime-2.1	GPT-4o Realtime
推論	より強力	一般的
コンテキスト	128K	32K
ツール利用	対応	対応
音声エージェント	高度	一般的
複雑なワークフロー	より適している	適している

CometAPI で GPT-Realtime-2.1 API を使う方法

ステップ1: CometAPI の API キーを取得

CometAPI アカウントを作成し、開発者コンソールから API トークンを生成します。

API リクエストには次を含めます:

Authorization: Bearer YOUR_COMETAPI_API_KEY
Content-Type: application/json

API キーはリクエストを認証し、CometAPI 経由で利用可能な AI モデルを呼び出せるようにします。

ステップ2: GPT-Realtime-2.1 セッションを作成

GPT-Realtime-2.1 は、従来のリクエスト-レスポンス型ではなく、永続的なリアルタイムセッションで動作します。

リアルタイムセッションは次を保持します:

音声入力ストリーム
モデルの応答
会話状態
ツール呼び出し
割り込み

OpenAI の Realtime API は、WebRTC、WebSocket、SIP インターフェースによるリアルタイム通信をサポートします。

例:

curl https://api.cometapi.com/v1/realtime/sessions \
-H "Authorization: Bearer YOUR_COMETAPI_API_KEY" \
-H "Content-Type: application/json" \
-d '
{
  "model": "gpt-realtime-2.1",
  "modalities": [
    "audio",
    "text"
  ],
  "voice": "alloy",
  "instructions": "You are a helpful customer support voice assistant."
}
'

応答例:

{
  "id": "sess_xxxxx",
  "model": "gpt-realtime-2.1",
  "status": "active"
}

ステップ3: GPT-Realtime-2.1 に音声入力を送信

セッション作成後、ユーザー音声をストリーミングします。

ワークフロー例:

User microphone
        |
        ↓
Audio stream
        |
        ↓
GPT-Realtime-2.1
        |
        ↓
Generated voice response

音声入力には次が含まれます:

電話での会話
音声コマンド
カスタマーサポートの通話
対話型アシスタント

GPT-Realtime-2.1 は、以前のリアルタイムモデルと比べ、無音検出、ノイズ処理、割り込み挙動が改善されています。

ステップ4: リアルタイム音声応答を受信

モデルは、生成した音声応答をリアルタイム接続を通じて返します。

イベント例:

{
  "type": "response.audio.delta",
  "delta": "base64_audio_chunk"
}

アプリケーションは受信した音声チャンクを即時再生できます。

典型的な実装例:

WebRTC 音声アプリケーション
ブラウザベースのアシスタント
モバイル音声アプリ
AI 電話エージェント

ステップ5: 音声エージェントに関数呼び出しを追加

GPT-Realtime-2.1 は関数呼び出しをサポートし、音声エージェントが外部アクションを実行できます。

例:

{
  "tools": [
    {
      "type": "function",
      "name": "check_order_status",
      "description": "Retrieve customer order information",
      "parameters": {
        "type": "object",
        "properties": {
          "order_id": {
            "type": "string"
          }
        }
      }
    }
  ]
}

想定される音声エージェントのワークフロー:

"私の荷物はどこですか？"
"明日の会議を予約して。"
"サブスクリプションを解約して。"
"口座残高を確認して。"

モデルはリクエストを理解し、適切なツールを呼び出して、自然に会話を続けます。

ステップ6: 推論と指示を設定

GPT-Realtime-2.1 は推論の強度設定をサポートします。

例:

{
  "model": "gpt-realtime-2.1",
  "reasoning": {
    "effort": "medium"
  },
  "instructions": "Act as a professional travel assistant."
}

推奨設定:

アプリケーション	推論レベル
シンプルな音声コマンド	低
カスタマーサポート	中
複雑なワークフローエージェント	高

よくある質問

API

動作するエンドポイントとコード例をコピーし、全パラメーターが必要な場合は完全なAPIリファレンスを開いてください。

1つのAPIで本番対応のモデルアクセス

一度認証すれば、モデルエンドポイントを呼び出し、プロバイダー間で同じ請求・モニタリングフローを維持できます。

GET/v1/realtime

GPT-Realtime-2.1のサンプルコードとAPI

GET

/v1/realtime

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

cURL Code Example

set -euo pipefail

# curl can perform the HTTP Upgrade handshake and print the Realtime WebSocket
# byte stream. Use the Python or JavaScript example to send framed events.
WEBSOCKET_KEY="$(openssl rand -base64 16)"

curl --http1.1 --include --no-buffer \
  --request GET \
  --header "Authorization: Bearer $COMETAPI_KEY" \
  --header "OpenAI-Beta: realtime=v1" \
  --header "Connection: Upgrade" \
  --header "Upgrade: websocket" \
  --header "Sec-WebSocket-Version: 13" \
  --header "Sec-WebSocket-Key: ${WEBSOCKET_KEY}" \
  "https://api.cometapi.com/v1/realtime""?model=gpt-realtime-2.1"

Python Code Example

"""Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.

Install the client with: pip install websocket-client
"""

import json
import os
from urllib.parse import urlencode

from websocket import create_connection


MODEL = "gpt-realtime-2.1"
BASE_URL = "wss://api.cometapi.com"
COMETAPI_KEY = os.environ.get("COMETAPI_KEY") or "<YOUR_COMETAPI_KEY>"


def get(path: str) -> str:
    """Build a WebSocket URL for the API's GET route."""

    return f"{BASE_URL}{path}?{urlencode({'model': MODEL})}"


socket = create_connection(
    get("/v1/realtime"),
    header=[
        f"Authorization: Bearer {COMETAPI_KEY}",
        "OpenAI-Beta: realtime=v1",
    ],
    timeout=30,
)

try:
    socket.send(
        json.dumps(
            {
                "type": "session.update",
                "session": {
                    "modalities": ["text"],
                    "instructions": "Answer clearly and concisely.",
                },
            }
        )
    )
    socket.send(
        json.dumps(
            {
                "type": "conversation.item.create",
                "item": {
                    "type": "message",
                    "role": "user",
                    "content": [
                        {
                            "type": "input_text",
                            "text": "Give me one tip for a productive meeting.",
                        }
                    ],
                },
            }
        )
    )
    socket.send(json.dumps({"type": "response.create"}))

    while True:
        event = json.loads(socket.recv())
        event_type = event.get("type")
        if event_type in {
            "response.text.delta",
            "response.output_text.delta",
            "response.audio_transcript.delta",
            "response.output_audio_transcript.delta",
        }:
            print(event.get("delta", ""), end="", flush=True)
        elif event_type == "error":
            raise RuntimeError(json.dumps(event.get("error", event), indent=2))
        elif event_type == "response.done":
            print()
            break
finally:
    socket.close()

JavaScript Code Example

// Send one text turn to gpt-realtime-2.1 over the Realtime WebSocket API.
// Requires Node.js 22 or newer, which includes a global WebSocket client.

const model = "gpt-realtime-2.1";
const baseUrl = "wss://api.cometapi.com";
const apiKey = process.env.COMETAPI_KEY || "<YOUR_COMETAPI_KEY>";

function get(path) {
  const url = new URL(`${baseUrl}${path}`);
  url.searchParams.set("model", model);
  return url;
}

const socket = new WebSocket(get("/v1/realtime"), [
  "realtime",
  `openai-insecure-api-key.${apiKey}`,
  "openai-beta.realtime-v1",
]);

socket.addEventListener("open", () => {
  socket.send(
    JSON.stringify({
      type: "session.update",
      session: {
        modalities: ["text"],
        instructions: "Answer clearly and concisely.",
      },
    }),
  );
  socket.send(
    JSON.stringify({
      type: "conversation.item.create",
      item: {
        type: "message",
        role: "user",
        content: [
          {
            type: "input_text",
            text: "Give me one tip for a productive meeting.",
          },
        ],
      },
    }),
  );
  socket.send(JSON.stringify({ type: "response.create" }));
});

socket.addEventListener("message", ({ data }) => {
  const event = JSON.parse(data.toString());
  if (
    [
      "response.text.delta",
      "response.output_text.delta",
      "response.audio_transcript.delta",
      "response.output_audio_transcript.delta",
    ].includes(event.type)
  ) {
    process.stdout.write(event.delta || "");
  } else if (event.type === "error") {
    console.error(JSON.stringify(event.error || event, null, 2));
    socket.close();
    process.exitCode = 1;
  } else if (event.type === "response.done") {
    process.stdout.write("\n");
    socket.close();
  }
});

socket.addEventListener("error", (error) => {
  console.error("WebSocket error:", error.message || error);
  process.exitCode = 1;
});