gpt-realtime-2 はどこをブレイクスルーしたか — 主要4社リアルタイム音声モデル定量比較

2026 年 5 月 7 日、OpenAI は gpt-realtime-2 を発表した¹。リアルタイム音声 API スタックの世代交代を狙う一手で、開発者・PdM の関心は「結局どれを採用すべきか」に集まっている。本記事では主要 4 社（OpenAI / Google / ElevenLabs / Cartesia）の最新モデルを Big Bench Audio・Full Duplex Bench・レイテンシ・価格・統合機能 の 5 軸で横並び比較し、gpt-realtime-2 のブレイクスルーが「単一ベンチマーク 1 位」ではなく別の場所にあることを定量で示す。

gpt-realtime-2 の発表内容を 1 分で

OpenAI は単一モデルではなく、3 モデルを同時投入した²。

• gpt-realtime-2: GPT-5 級 reasoning を備えた音声対話モデル。128K コンテキストと 5 段階 reasoning effort（minimal / low / medium / high / xhigh）を持つ
• gpt-realtime-translate: 70+ 入力 → 13 出力言語のリアルタイム翻訳特化。$0.034 / 分
• gpt-realtime-whisper: ストリーミング STT、レイテンシ制御可能。$0.017 / 分

gpt-realtime-2 本体の価格は $32 / 1M audio input tokens（cached $0.40）、$64 / 1M audio output tokens で、前世代 gpt-realtime-1.5 から据え置き³。新機能の目玉は 並行ツール呼び出しと 「checking your calendar」のような思考実況 narration で、待ち時間に発話を埋める設計が公式に明文化された²。

比較対象 4 モデルと評価軸

リアルタイム音声 API はもはや単一カテゴリではない。「全領域カバー」と「特定領域特化」に分かれており、横並び比較するなら評価軸を分離する必要がある。

評価軸は次の 5 つに固定する。

1. Speech Reasoning — Big Bench Audio（音声入力での推論精度）
2. Conversational Dynamics — Full Duplex Bench（ターンテイク、ポーズ処理、割り込み復帰）
3. レイテンシ — TTFA / TTFB
4. 価格 — $/h 換算（input + output）
5. プロダクション統合 — SIP / MCP / 画像入力 / parallel tool calls

数値はすべて Artificial Analysis のリーダーボードを 2026-05-09 時点で参照⁴。OpenAI 自社報告値とも相互照合してある。

ベンチマーク横並び — Speech Reasoning と Full Duplex

Speech Reasoning は Step-Audio R1.1 が 1 位

Big Bench Audio（1,000 問の音声推論ベンチ）の上位は次の通りである⁴。

純 Speech Reasoning では Step-Audio R1.1 がトップで、gpt-realtime-2 (High) は 1 ポイント差の 3 位タイ。それでも 前世代 1.5 比 +15.2 ポイント² というジャンプ幅は他社の世代交代を上回る。

Full Duplex Bench は gpt-realtime-2 が単独 1 位

会話流暢性（ターンテイク、ポーズ処理、割り込み復帰の総合スコア）を測る Full Duplex Bench では話が変わる。gpt-realtime-2 (Minimal) が 96.1% で 1 位⁵。Minimal モード（推論最小）でこのスコアを出している点が重要だ。推論に振らなくても会話のリズムは崩れない、という設計が反映されている。

つまり「推論で勝負」と「会話で勝負」は別軸であり、gpt-realtime-2 は 後者で他社を抜いた。

レイテンシと価格 — gpt-realtime-2 は単独最速でも最安でもない

レイテンシは Cartesia / ElevenLabs が圧勝

Time-to-First-Audio（最初の音声を返すまでの時間）を見ると、gpt-realtime-2 は決して速いほうではない⁴。

ここでの注意点は TTS 単体と Speech-to-Speech が桁違いの別物だ という事実である。Cartesia の 90 ms は「すでにある文字列を音声化する時間」で、gpt-realtime-2 の 1.12 s は「音声を聞いて意味を理解し、推論し、応答音声を返すまで」。比較する際は軸を揃える必要がある。

価格は Gemini Live と Step-Audio が安い

1 時間あたりの総コスト（入力 + 出力、Artificial Analysis 換算）⁴:

gpt-realtime-2 は中位である。Gemini 3.1 Flash Live は preview 中で API 利用が無料⁶、Step-Audio は計測上 1/3 強の価格。コスト最重視なら gpt-realtime-2 は第一候補にならない。

本当のブレイクスルーは「統合性」だ

ここまでで見えてくるのは、gpt-realtime-2 は単一指標で 1 位を取ったわけではない という事実。Speech Reasoning は Step-Audio に、レイテンシは Cartesia に、価格は Gemini に譲っている。

ではなぜ「ブレイクスルー」と呼ばれるのか。答えは プロダクション統合機能の同時達成 にある。

これまで「GPT-5 + ElevenLabs Flash + 自前 agent runtime + Twilio SIP」と 4 ベンダ統合 で組んでいた構成が、gpt-realtime-2 単体でほぼ同等以上になった。Remote MCP（任意ツールサーバを URL で繋ぐ）と SIP（電話網直結）の両方を持つのは現状 gpt-realtime-2 だけで、これが乗算的な開発負荷削減を生む。

実例として Zillow の本番ベンチでは call success rate が 69% → 95%（+26 ポイント） に跳ねた⁷。これは単に推論が賢くなった結果ではなく、ツール呼び出しと割り込み復帰と SIP 統合が同時に効いた数値だと OpenAI は説明している。

つまりブレイクスルーの定義は次のようになる。

Big Bench Audio 96.6%（3 位タイ）かつ Full Duplex Bench 96.1%（1 位）かつ SIP + MCP + 128K を同時に満たすモデルは現状 gpt-realtime-2 のみ。

単独最強ではない。同時最強 こそが本質的差別化点である。

開発者・PdM の選び方 — ユースケース別の推奨

「全部 gpt-realtime-2 で良い」というわけではない。ユースケース別に整理すると次のようになる。

スイッチングコストが低いのは ElevenLabs（LLM 差し替え可能）と Gemini（Google Cloud 上で完結）。ロックインを許容する代わりに統合の楽さを取るのが gpt-realtime-2 だ。設計判断はここで分かれる。

本記事の限界と未解決事項

公開情報の集約として、次の点はカバーできていない。

• OpenAI 公式 announcement page は WebFetch で 403。数値は MarkTechPost / DataCamp / latent.space / Artificial Analysis の相互照合で確認している
• 日本語専用ベンチマーク が 4 社いずれも未公開。日本市場での本番性能は実機検証が必要
• Artificial Analysis の計測リージョン・時刻 が一部未明記。本番環境のレイテンシは別途計測必須
• Cartesia Sonic-3 の Speech-to-Speech 統合計画は未公開。現状は TTS 専業
• Gemini 3.1 Flash Live の本番価格は preview 終了後に再評価必要

まとめ

gpt-realtime-2 のブレイクスルーは「単一指標 1 位」ではなく「reasoning × full-duplex × production stack の 3 条件を一つの API で同時に揃えた」点にある。Step-Audio や Cartesia のような特化モデルが個別軸で勝っていても、プロダクション統合の総合性能で gpt-realtime-2 を超えるモデルは現状存在しない。

次に測るべきは「実機での日本語 latency / 日本語 WER」「本番 SLA でのコスト最適化」「MCP サーバ群の運用負荷」の 3 点だ。voice AI を業務利用する組織にとって、ここから先は自社ワークロードでベンチを取りに行くフェーズに入った。

参考文献