GPT-Realtime-2.1(ジーピーティーリアルタイム2.1)とは｜電話AIで変わる聞き間違いと割り込み対応
電話AIが番号を正しく復唱し、相手が割り込んだらすぐ止まれば、受付のつまずきは少し減らせます。
GPT-Realtime-2.1の更新を、自社の実通話でどう試しますか？
GPT-Realtime-2.1(ジーピーティーリアルタイム2.1)は、電話AIで言い間違えやすい英数字、会話の間、相手の割り込みに焦点を当てた更新モデルです。OpenAIは2026年7月6日に一般提供(GA)として公開しました。
ただ、モデルが良くなったことと、自社の電話受付がそのまま完成することは別であり、聞き間違いを訂正する復唱と、人へ戻す条件は残すことが欠かせません。
この二点が、本番利用の境目になります。
結論すぐ全面置換せず、電話番号の復唱と割り込みから試す
GPT-Realtime-2.1は、電話AIの基礎性能を見直す好機です。最初は予約日時など一つの用件に絞り、復唱後の訂正率、割り込み後の停止、有人転送を同時に測ってください。
GPT-Realtime-2.1とは？2026年7月にGAとなった音声AI
GPT-Realtime-2.1とは、OpenAIのRealtime APIで音声を入力し、音声で応答できるリアルタイム音声モデルです。テキストと画像も入力でき、外部ツールを呼び出すことで、予約空き状況の照会や折り返し依頼の登録といったフローを設計できます。
出典: OpenAI公式「Release notes」(英語)
今回の公式な改善点は、英数字認識、無音・雑音の扱い、割り込み挙動の三点です。電話受付では、「BとD」「0と2」のような英数字や、考え中の沈黙、AIの説明に食い気味で話す場面が詰まりやすいため、実務の弱点に正面から対応した更新と言えます。
公式モデルページには、コンテキスト長128,000トークン、最大出力32,000トークンと記載されています。この長さは複雑な会話やツール実行を設計する材料ですが、コンテキストが長いから聞き間違いがなくなるわけではありません。
出典: OpenAI API公式「GPT-Realtime-2.1 Model」(英語)
モデルの改善
英数字、無音・雑音、割り込み挙動を改善
VS
電話業務の完成
復唱、転送、ログ、ツール実行の検証が別途必要
同じ音声AIでも提供条件や電話接続は異なります。他社の選択肢も見るなら、Grok Voice Agent BuilderでAI電話にできることと比べると、モデルAPIと構築画面の違いを整理しやすくなります。
GPT-Realtime-2.1で聞き間違いはどこまで減るか
GPT-Realtime-2.1の英数字認識改善は、電話番号、会員番号、注文番号を扱う受付にとって好材料です。それでも、通話回線、マイク、発話者の速さ、固有名詞によって結果は変わるため、公式の改善説明を自社の正解率として使うことはできません。
見るべきは、AIが最初の一回で正しく文字起こしできた率だけではなく、復唱後に訂正できた率です。
たとえば「予約番号はBのニー・ゼロ・Dですね」と短く返し、異なればもう一度聞く設計なら、最初の誤認をそのままCRMへ登録する事故を減らせます。
| 試す音声 | 確認すること | 合格条件 |
|---|---|---|
| 氏名・社名 | 固有名詞の聞き返し | 復唱で訂正できる |
| 電話番号 | 0と2、1と7 | 桁ごとに確認できる |
| 英数番号 | BとD、MとN | 文字種を確認できる |
| 雑音下の会話 | 背景音と発話の分離 | 二回以内に用件を取れる |
| 長い住所 | 途中の沈黙 | 言い終わりを待てる |
聞き取りの不安だけでなく、通話録音や文字起こしをどこまで残すかも同時に決めます。音声AIの受付で個人情報を守る確認項目を併せて見ると、録音だけでなく要約やCRMへ残る情報も含めて試験できます。
GPT-Realtime-2.1の割り込み対応はVADと接続方式で変わる
電話の会話では、AIが話し始めた後に「そうじゃなくて」と割り込む場面が頻繁にあります。GPT-Realtime-2.1の割り込み挙動は改善点に含まれますが、実際にすぐ止まるかはVADの設定とクライアントの音声処理でも変わります。
OpenAI公式のVADガイドには、無音時間で発話を区切るserver_vadと、言葉の内容から言い終わりを判断するsemantic_vadがあります。後者はeagernessをlowにすると長く待ち、highにすると早く区切るため、ゆっくり話す窓口と、短い用件をさばく窓口で設定を分ける余地があります。
出典: OpenAI API公式「Voice activity detection(VAD)」(英語)
注意割り込みを検出できても、音が止まるとは限らない
WebRTCとSIPではサーバー側が未再生音声を切り詰めますが、WebSocketではクライアントが再生を止め、未再生部分を会話から切り詰める実装が必要です。
そのため、モデル名だけで割り込み品質を判定しないでください。
出典: OpenAI API公式「Realtime conversations」(英語)
この違いを見落とすと、AIは新しい質問に答えているのに、電話のスピーカーから前の音声が流れ続ける不自然さが残ります。割り込みの合格条件は「AIが気づく」ではなく「相手が話し始めたら音が止まる」です。
全面自動化を避ける範囲の決め方は、AIに電話の一次対応をどこまで任せられるかでも整理しています。割り込みは会話体験の試験、本人確認や取消しは業務責任の試験として分けてください。
GPT-Realtime-2.1を電話AIで試す4つの段階
GPT-Realtime-2.1の検証は、ブラウザや開発環境の対話デモで終わらせず、実際の電話回線まで段階的に広げます。
最初から代表番号を置き換えると、モデル、SIP、業務ツール、有人転送のどこで詰まったか分からなくなります。
台本
英数字と沈黙
→
実回線
雑音と割り込み
→
限定業務
受付票の作成
→
本番判断
人と代替回線
問題が出たらひとつ前の段階へ戻す
- 氏名、社名、住所、電話番号を復唱で訂正できるか
- 室内、路上、ハンズフリーの音質で用件完了率がどう変わるか
- 相手が割り込んだらAI音声がすぐ止まるか
- 二回続けて聞き返したら担当者へ転送できるか
- 予約登録や取消しの前に内容を復唱し、承認を取れるか
- ログから誤認、訂正、転送、ツール実行をひと続きで追えるか
Realtime APIはSIPで着信を受け、通話中に電話番号やSIP URIへ転送できます。ただし、電話番号を収容するSIPトランキング事業者との接続が必要なため、「APIがSIP対応」と「自社の現在の番号で運用できる」は分けて確認します。
出典: OpenAI API公式「Realtime API with SIP」(英語)
転送条件をシステムに落とす際は、AIエージェントを人へ戻す承認フローの考え方が役立ちます。クレーム、解約、支払い、本人確認は、会話が続けられてもAIだけで完結させない方が安全です。
電話AIの費用とGPT-Realtime-2.1の採用判断
2026年7月11日時点の公式価格は、100万トークンあたりテキスト入力約$4、テキスト出力約$24、音声入力約$32、音声出力約$64です。価格はすべて同じ単位で並べていますが、音声の話す量と返す量は通話ごとに異なります。
| 費目 | 公式単価 | 運用で見ること |
|---|---|---|
| テキスト入力 | 約$4 / 100万トークン | 指示と会話履歴 |
| テキスト出力 | 約$24 / 100万トークン | ツール呼び出しや文字応答 |
| 音声入力 | 約$32 / 100万トークン | 顧客の発話量 |
| 音声出力 | 約$64 / 100万トークン | AIの説明量 |
この単価から1分あたりの円建て料金を固定するのは避けましょう。というのも、SIP事業者、電話番号、ログ、監視、開発・保守、有人転送もかかるからです。
採用判断はAPI単価の安さではなく、用件完了率、訂正回数、有人転送率で行ってください。
小さく試す営業時間外の折り返し受付から始める
日時、氏名、連絡先、用件だけを受け、二回聞き返したら担当者へ回す流れなら、受注や取消しをいきなり自動実行するより検証しやすくなります。失敗しても元の受付へ戻せることが条件です。
受付フローの作り方は、AI受付と有人引き継ぎを分ける考え方にも共通します。モデルの品質が上がっても、人が出る境目と停止時の代替手段はなくさないでください。
FAQ
QGPT-Realtime-2.1とはどのようなモデルですか？
AOpenAIが2026年7月6日にGAとして公開したリアルタイム音声モデルです。音声の入出力に加え、指示に従った応答やツール呼び出しを扱えます。
QGPT-Realtime-2.1で電話の聞き間違いはなくなりますか？
Aなくなるとは断言できません。OpenAIは英数字認識と無音・雑音の扱いの改善を示していますが、回線や固有名詞の影響があるため復唱を残します。
Q電話中に話し始めるとAIは止まりますか？
A割り込みに対応できますが、VAD設定と接続方式によって処理が異なります。実通話で割り込みから音声停止までを確認してください。
QGPT-Realtime-2.1を現在の電話番号で使えますか？
ARealtime APIはSIP接続に対応しています。現在の番号を使うには、SIPトランキング事業者、回線設定、転送先の個別確認が必要です。
Q電話AIをGPT-Realtime-2.1へすぐ置き換えるべきですか？
Aすぐの全面置換は避け、一つの用件で旧モデルと比較します。聞き間違い、訂正回数、割り込み、有人転送、ツール実行の回帰試験後に判断してください。
GPT-Realtime-2.1は、電話AIの聞き間違いと割り込みを見直す理由になりますが、モデル更新だけで電話受付が完成するわけではありません。
小さな用件、実回線、復唱、有人転送の順で試し、元の受付へ戻せる状態を保ったまま採用を判断しましょう。
