OpenAIのRealtime 2.1、音声AIの聞き間違いを製品課題にした
OpenAIがRealtime APIに、gpt-realtime-2.1とgpt-realtime-2.1-miniを追加しました。モデル名だけを見ると小さな更新に見えますが、変更点はかなり実務寄りです。OpenAIは2.1で、英数字の認識、沈黙や雑音の扱い、割り込み時のふるまいを改善したと説明しています。音声AIの品質は、声が自然かどうかだけでなく、注文番号、電話番号、確認コード、横から入る会話をどう扱うかへ移っています。
Realtime 2.1は、声の自然さより聞き取りの失敗を潰す更新
OpenAIのAPI changelogは、2026年7月6日の項目としてgpt-realtime-2.1とgpt-realtime-2.1-miniのリリースを載せています。2.1は、Realtime 2を更新した推論付き音声モデルで、英数字の認識、沈黙とノイズ、割り込みの扱いが改善されたと説明されています。
ここで効くのは、派手なデモより日常の失敗です。音声AIが予約番号を聞き違える、郵便番号を推測で埋める、周囲の雑音に返事をする、ユーザーが途中で遮ったのに話し続ける。これらはモデル性能の細部に見えますが、実際には音声インターフェイスの信頼を左右します。Realtime 2.1は、声のAIを『自然に話す』段階から、『間違えると困る値を安全に扱う』段階へ押し出す更新です。
miniは安い音声AIではなく、常時入口を作るためのモデル
同時に追加されたgpt-realtime-2.1-miniは、蒸留された推論モデルとして説明されています。OpenAIのモデルページでは、2.1-miniはRealtime voice interactions向けに、より高速で低コストな選択肢とされています。テキスト入力は100万トークンあたり0.60ドル、出力は2.40ドル、音声入力は10.00ドル、音声出力は20.00ドルです。
これは単なる廉価版というより、音声AIの置き場所を広げるための選択肢です。受付、予約、店内端末、学習アプリ、社内ヘルプデスクのように、会話の入口を長く開いておきたい場面では、最高性能だけでは設計しにくい。2.1-miniが重要なのは、推論とツール利用を持つ音声モデルを、より多くの会話入口へ置きやすくする点です。
音声エージェントのUIは、黙る、聞き返す、割り込まれるを設計する段階へ
既存のRealtime prompting guideは、gpt-realtime-2を低遅延の音声モデルとしてだけでなく、推論、ツール選択、正確な値の捕捉、長いセッション状態を設計する対象として扱っています。今回の2.1は、その方向をモデル側から補強する更新です。英数字認識、沈黙、ノイズ、割り込みは、いずれもプロンプトだけでは吸収しきれない会話UIの端です。
音声エージェントでは、画面のボタンや確認ダイアログの代わりに、短い発話、沈黙、聞き返し、割り込みへの応答がUIになります。Realtime 2.1の読みどころは、新しい能力の数ではありません。OpenAIが音声AIの品質を、どれだけ賢く話すかではなく、どこで止まり、何を聞き直し、どの雑音を無視し、どの割り込みに譲るかとして扱い始めたことです。
| 項目 | 2.1での位置づけ | 読者が見るべき意味 |
|---|---|---|
| 英数字認識 | 2.1と2.1-miniで改善点として明記 | 注文番号、確認コード、メールアドレスを推測で壊しにくくする |
| 沈黙とノイズ | 2.1の改善点として明記 | 話しかけられていない音や雑音への誤反応を減らす |
| 割り込み | 2.1の改善点として明記 | ユーザーが遮ったとき、話し続けず操作を譲る |
| miniモデル | 高速、低コストな蒸留推論モデル | 常時開く会話入口や大量セッションに置きやすい |
Realtime 2.1は、音声AIの見せ場を大きく変える発表ではありません。ただ、英数字、沈黙、雑音、割り込みという地味な問題を公式の改善点として前に出したことで、音声エージェントが本当に使われる場所が見えてきます。注文番号を一文字ずつ扱う。ユーザーが遮ったら止まる。横の会話には反応しない。そうした失敗しないふるまいこそが、声のAIを日常の操作面にする条件です。