OpenAIが「GPT-Live-1」APIを公開：GPTの音声対話機能をあらゆるアプリに導入可能、1分あたり0.05ドル

OpenAIは、これまでChatGPT上で先行提供していた「GPT-Live-1」をAPIとして正式に一般公開し、本日よりAPI経由で利用可能となりました。全二重（full-duplex）通信に対応したリアルタイム音声モデルであるGPT-Live-1は、相手の話を聞きながら同時に話すことができます。CodexやChatGPT Workで実証されたように、高度な推論や具体的なアクションを、連携するバックエンドのモデルやツールへと委任（Delegation）することが可能です。この機能は、自社のアプリケーションや業務ワークフローに自然な音声対話体験を組み込み、音声エージェントの表現スタイルや振る舞いをより柔軟に制御したい開発者を主な対象としています。

なぜ従来の音声AIは「トランシーバー」のようだったのか

初期の電話自動音声窓口を利用したことがある方や、騒がしい環境で車載音声アシスタントに話しかけたことがある方なら、次のようなもどかしい瞬間を経験したことがあるはずです。

• 言葉を選ぼうと文の途中で少し言い淀んだだけで、AIが話し終わったと勘違いして即座に割り込んでくる。
• AIが求めていない長文を読み上げている最中に「ストップ」と声をかけても、最後まで話し切るまで止まらない。
• 近くで誰かが咳払いをしたりカフェのBGMが大きくなったりしただけで、突然「聞き取れませんでした」と返してくる。
• 注文履歴を照会する間、受話器の向こうが完全に無音になり、ただ待たされる。

こうした問題は、音声エージェントのアーキテクチャ設計に起因しています。一般的な構成には主に3つのアプローチがあります。

直列のパイプライン方式は、音声認識・推論モデル・音声合成を繋ぎ合わせる構成です。公式発表によれば、各段階でデータを引き渡すたびに遅延が積み重なり、対話のタイミングや文脈、自然なリズムが損なわれるリスクが増加します。割り込みや言い淀み、ユーザーの心変わりへの対応も、開発者自身が各コンポーネント間で調停しなければなりませんでした。一方、単一モデルによるリアルタイム音声（GPT-Realtime-2.1など）は、1つのモデルが発話・推論・ツール選択をまとめて処理します。Yelpのエンジニアリング責任者であるThavidu Ranatunga氏（通称Tav）は公式インタビューにおいて、従来の音声対音声（Voice-to-Voice）モデルは「一般に賢さが足りず、複雑なタスクには対応しきれなかった」と振り返っています。そしてGPT-Live-1が採用したのが第3のアプローチです。単一のモデルが「聞く」「話す」に専念し、高度な推論やツール呼び出しはバックエンドに委任します。

GPT-Live-1はどのように動作するのか

リアルタイムな対話に特化した「受付フロント」と、複雑な推論や実務をこなす「バックオフィス」という分担をイメージすると分かりやすいでしょう。ただしパイプライン方式とは異なり、GPT-Live-1における「聞く」と「話す」は同一モデル内で完結します。入力される音声と自身が出力している音声を同時に推論（reasons over incoming and outgoing audio together）するため、聞きながら話すことが可能です。公式発表によると、人間の声と環境ノイズを正確に聞き分け、ユーザーからの割り込みや「うん、うん」といった相槌にも即座に反応できます。同時に、より深い推論やツール呼び出しはバックエンドモデルやエージェントへと委任（delegation）され、バックエンドが処理を実行している間もフロントエンドでの対話は通常通り続けられます。

このデモでは、Workbench画面に「You（Microphone）」「GPT-Live-1（Voice frontend）」「Backend（GPT-5.6 Lunaと表記）」という3本のスイムレーンが並んでいます。セッション開始直後に委任項目「Display → "GPT LIVE 1"」が実行され、ロボットのドットマトリクス画面に「GPT LIVE 1」と表示されます。エンジニアがモデルに挨拶を促すと、モデルは「Hi everyone! Great to be here. Welcome to the GPT-Live-1 launch.」と発話。同時にバックエンドが画面をOpenAIロゴと手を振るアニメーションに切り替えます。価格の話題に移ると画面に「5¢ a minute」と表示され、モデルはフロントエンド音声層が1分あたり5セントで、バックエンドの推論やツール利用料は別途計算されると説明します。注目すべきは、エンジニアが約16〜20秒付近で発言を遮った際や、約26〜35秒付近で「周囲が騒がしい」と発言した際、Backendレーンは終始空のままである点です。割り込みやノイズ処理はフロントエンド自身で完結しており、バックエンドへの委任は発生していません。映像内で確認できる委任項目はすべて画面描画の指示であり、「ロボットに動作を任せる」という表現はモデル自身の台詞として語られています。

バックエンドの選び方と委任方式

バックエンドは音声モデルとは独立して選択できます。公式の例では、日時の予約や注文情報の更新といった高頻度タスクにはLunaを組み合わせ、推論が必要な複雑なカスタマー対応にはAstraを組み合わせるなど、タスクに応じて推論の深さ・速度・コストを柔軟に最適化できるとされています。

開発者ドキュメントでは、次の2種類の委任方式が示されています。

• Responses委任：GPT-Liveが設定済みのResponsesモデルを直接呼び出します。会話の文脈は自動的に引き継がれて結果を受け取るため、マネージドなバックエンドに適しています。
• Client委任：アプリケーション側でバックエンドを独自に実行します。任意のモデル、エージェントフレームワーク、外部サービスと接続可能で、どの結果をGPT-Liveに戻すかを自由に制御できます。

委任方式はセッション作成時に指定し、変更する場合はセッションを再作成する必要があります。運用上、特に注意すべき点が2つあります。ユーザーが発言を遮っても、すでに発行されたバックエンドタスクは自動キャンセルされません。キャンセル処理はアプリケーション側で実装する必要があります。また、権限管理、ユーザー確認フロー、プライベート関数の実行、長期タスクの状態保持もすべてアプリケーション側の責務となります。

さらに、API版では以下の機能がネイティブに提供されます。

• 音声認識テキスト（ASR transcripts）および返答テキストの取得
• 英数字の認識精度向上と、キーワードバイアス（keyword biasing）への対応（商品名や注文番号などの認識率向上）
• ターン制モデルではないものの、明確なターン境界に基づいて開発できるようターン検出（turn detection）をネイティブサポート
• 背景ノイズや言い淀みを柔軟に処理し、会話を不必要に遮らず、バックグラウンドの処理過程を過剰に読み上げない設計
• 長時間セッションにおける文脈保持力および対話クオリティの改善
• レストランの予約受付からエンタープライズ向けカスタマーサポートまで、電話回線への接続配備をサポート

対話体験：割り込み、ノイズ、そして話し方

公式発表によると、GPT-Live-1は人間の声と環境ノイズを判別できるため、カフェのような騒音下でも対話が途切れることはありません。ユーザー側もモデルが話し終わるのを待つ必要はなく、いつでも詳細を補足したり話題を変えたりできます。

前半はパイプライン方式で、背景ノイズのスライダーは8%に設定されています。AIが一息に長い解説を読み上げ、ユーザーが遮って初めて停止したものの、その後の返答は「ご要望のスピナー表示より変更箇所が多かったですね」という漠然としたものでした。後半でGPT-Live-1に切り替え、ノイズを29%まで引き上げた状態では、ユーザーが途中で「スピナーを出したいだけなのに、なぜAPI呼び出しを変更したの？」と割り込むと、AIは即座に変更しすぎを認め、既存のフックにあるisLoadingフラグをそのまま使う構成を提案します。ユーザーが「新しい依存関係は増やしたくない」と付け加えると、AIは同意し、ローディング中はボタンを無効化する方針を確認します。

バックエンドが推論やツール呼び出しを処理している間も、フロントエンドはユーザーと会話を継続できます。ユーザーは待っている間に補足説明を加えることができ、処理が完了した段階でフロントエンドがその結果を音声で伝えます。

冒頭はパイプライン方式です。ユーザーが「低音を強めて」と指示してもAIは反応せず、ユーザーは「Hello?」と呼びかけてもう一度言い直さなければなりませんでした。一方GPT-Live-1に切り替えると、音楽が流れたまま、ユーザーが「少しテンポを落として」と指示すると、AIは「108 BPMに落とします」（108という数値はAI自身が判断）と即答。続けて「もっとドリーミーで広がりのある空間に」「最後にライザー音（上昇エフェクト）を加えて」とテンポよく指示が通ります。画面下のTool callsパネルには、set_playback、set_bass_layer、adjust_saturation、adjust_tempo（各調整に2秒のクロスフェード）、set_reverb、そして小節の終端にスケジューリングされたend_with_riserが順次記録されていきます。

発話スタイルはシステムプロンプト（system prompt）で細かく制御できます。口調、話速、感情表現の豊かさ、使用言語、返答の長さなどを指定可能です。OpenAIの公式ポストによると、話者の声に含まれるトーンや感情を真似たり、相手の話すスピードに合わせたりすることも可能とされています。

ユーザーが「蝶ネクタイをつけた魚を何と呼ぶ？」と問いかけると、AIが先回りしてオチである「so fish-ticated」と回答。ユーザーが「知ってたでしょ」と突っ込むと、AIはすかさず「コーヒーが強盗（got mugged）に遭って通報した」という定番の掛け言葉ジョークで切り返します。

提供されるボイスも、従来の限られた種類から、多様なアクセント、方言、言語をカバーするラインナップへと拡充されました。公式ページには12種類の名前が並んでいます：Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta、Cinder。このうちデフォルトで選択されているQuartzには「オーストラリア英語の影響あり（Australian English influenced）」と注記されていますが、その他のアクセントの詳細は記載されていません。今後数ヶ月以内にさらに多くのボイスや対応言語が追加される予定で、カスタムボイスの作成については営業担当への問い合わせが必要です。発表ページには期間限定のオンライン体験デモも設置されており、自宅やカフェ、街頭などの環境をシミュレートしながら、割り込みや笑い声、心変わりに対する挙動を試すことができます。

公式ベンチマーク：7つの指標をどう読み解くか

OpenAIは発表ページにおいて7つのベンチマーク結果を公開しました。比較対象は前世代のリアルタイム音声モデルであるGPT-Realtime-2.1およびGPT-Realtime-2であり、他社モデルは含まれていません。

まず注意すべき点は、比較条件が完全には同一ではないことです。†印の付いたGPT-Live-1のスコアはバックエンドのテキストモデルを接続した数値であり、対するRealtimeモデル2種は単一モデルのみで計測されています。Tau3（Voice）は航空、小売、電気通信の3分野における音声カスタマーサポートタスクを評価するもので、Pass@1は一回でタスクを完了できた割合、総合スコアは3分野の均等平均です。GPT-Live-1にGPT-6 Astra（推論強度medium）を組み合わせた場合のスコアは86.2%に達し、GPT-Realtime-2.1の45.7%、GPT-Realtime-2の42.4%を大きく上回りました。公式が謳う「Tau3で首位」という表現も、図表中では自社の旧世代2モデルとの比較にとどまっています。

Tau Banking（Voice）は、ナレッジベースの照会やアカウント操作ツールを必要とする97件の銀行サポートタスクをテストします。こちらもAstra（medium）を接続したGPT-Live-1は32.0%を記録し、GPT-Realtime-2.1（12.4%）の約2.6倍の性能を示しました。残りの約68%はこれら97件のタスクを一発で達成できなかったことを意味しており、実際の金融実務における失敗率と直結するわけではありません。ただし高リスクな操作を伴う業務では、ドキュメントの指示通り、アプリケーション側で厳格な権限管理とユーザー確認を行う必要があります。

対話のリズムに関して、Full Duplex Bench v1の応答遅延（ユーザーが発言を終えてからAIが話し始めるまでの時間、短いほど優秀）において、GPT-Live-1は0.798秒を記録し、GPT-Realtime-2.1の1.41秒から約43%短縮されました。Full Duplex Bench v1.5のインタラクティビティ（周囲の会話、ユーザーが別の人に話しかけた時、相槌、割り込みなどへの反応性）では、GPT-Live-1が80.10%を記録し、GPT-Realtime-2.1の45.4%より34.7ポイント高くなっています。なお公式本文では「30ポイント向上」と記載されており算出基準は明記されていませんが、この項目ではGPT-Realtime-2（47.8%）の方が2.1よりわずかに高い数値を示しています。Artificial Analysisによる会話リズム評価では、3モデルとも97.3%、95.7%、95.3%と極めて近い結果でした。これらの項目について、ページ上ではバックエンド接続の有無は記載されていません。

最後の2項目はFull Duplex Bench v3によるもので、発話に言い淀み、ためらい、言い直しが含まれる状況でのツール利用をテストしています。ここでのGPT-Live-1はTerra（OpenAIのGPT-5.6 Terraテキストモデル。価格はLunaとAstraの中間で、推論強度lowを使用）を接続しています。ツール呼び出し順序の正確性は87.0%（Realtime旧2モデルは60.0%、58.0%）、発話された回答と意図の一致度は90.0%（同88.0%、81.0%）を達成しました。

導入事例とユーザーの声

以下のデモおよびコメントはすべてOpenAIの発表ページからの引用であり、公式に選定された顧客の声に基づいています。なお、OpenAI PresenceはOpenAI自身の法人向け製品です。

レストラン予約受付：Yelp

顧客がレストラン「Stella Lago」に電話をかけ、まず土曜の夜7時に4名で予約を申し出ます。途中で家族に「子供たちも来る？」と確認し、2名に変更。さらに時間を7時30分に変更し、記念日なので窓際の席を希望すると伝え、名前をPatelと名乗った上でグルテンフリー対応の有無を尋ねます。AIは窓際希望のメモは残せるが座席の確約はできないこと、グルテンフリーのピザ生地とパスタは追加3ドルであることを伝えます。顧客は最後に名前をSmithへと訂正し、AIは内容を復唱して「土曜7時30分、2名、お名前Smith」での予約を完了させます。動画内には、通話録音は編集されており実際の結果とは異なる場合がある旨の注記があります。

Ranatunga氏によると、初期の大規模な本番テストにおいて、AIが応答し最後まで処理を完了できた通話の割合が向上し、オペレーターへの転送が減少したといいます。また、多くのユーザーが完全で自然な文章を使ってAIと会話するようになったと語っています。YelpのCTOであるAlex Levy氏も、発表ページに寄せた書面コメントで同様の点に言及しています。

「Yelp HostがGPT-Live-1を活用して席予約やテイクアウトなどの入電に対応するようになり、通話の処理完了率が目に見えて向上しました。発信者側も、より完全で自然な文章で話すようになっています……」——Alex Levy氏、Yelp CTO

カスタマーサポート：OpenAI Presence と Fin

OpenAI PresenceはOpenAIが提供するエンタープライズ向け製品で、GPT-Live-1をリアルタイム音声基盤として採用しています。質問への回答、問題解決、社内システムの操作、承認済みアクションの実行、必要に応じたオペレーターへのエスカレーションが可能なAIエージェントの構築を支援します。詳細はOpenAIのアカウント担当者を通じて確認できます。

顧客が「注文したスチームモップが発送から1〜2ヶ月経っても配達中のままで、もう不要なので返金してほしい」と申し出ます。途中で「少しゆっくり話して」と頼むと、AIは快くペースを落とします。バックエンドでは注文照会や返金資格の判定といったツールと委任項目が実行され、注文番号SC-908214を特定。最終的に20ドル相当の補償クレジットを提示・登録し、顧客もこれに納得します。

FinのCOOであるJordan Neil氏は発表ページで次のように述べています。

「顧客は自然に間を置いたり、発言を遮ったり、話題を変えたりすることができます……Finはこの自然な対話と自社のサポートシステムをシームレスに統合し、問題解決に向けた深い処理を実行できます。」——Jordan Neil氏、Fin COO

ヘルスケア：EliseAI

「従来のパイプライン型ソリューションと比較して、GPT-Live-1の導入によりコードベースを80%削減し、2万3000行のコードを削除することができました。患者との会話はリアルタイムかつ自然になり、チームは予約から受診案内までの全体的な体験向上に注力できるようになりました。」——Tony Stoyanov氏、EliseAI 共同創業者兼CTO

語学学習：Speak と HeyGen

「……初期評価において、受講者が考え込んで沈黙した際の誤った割り込みが、従来のターン制システムと比較して80%近く減少しました。」——Andrew Hsu氏、Speak 共同創業者兼CTO

受講者のWayne氏が、東京のカフェを模したシチュエーションで注文の練習を行います。講師はまず「ラテをください」と教えますが、受講者が「欲しいのはラテではなくコーヒー」と遮ると、講師は即座に「コーヒーをください」（kōhī o kudasai）に変更し、間の長音「ー」や助詞を抜かさないようアドバイスします。最後に受講者は「アイスで」と注文を完了させます。なお動画冒頭や上部に表示される「Unlimited concurrency / Pennies a minute」はHeyGen自身のキャッチコピーであり、GPT-Live-1自体の利用料金ではありません。

コーディングとクリエイティブ：Devin と Picsart

エンジニアが音声でDevinに対し、「Devin Live」のリリースLPを作成するよう指示します。Notionから「ローンチブリーフ」を取得させ、そこに記載された3つのデザイン方針ごとに子セッション（child session）を立ち上げて並行実装させます。条件はすべてCognitionブランド全体のトーン＆マナーに合わせること。Devinは会話を続けながら作業を進め、最終的に3種類のプレビューを提示します。

• editorial：落ち着いたエッセイ風。余白を広めに取り、控えめなブルーをアクセントに配置。
• playful retro：Cognitionの基調を保ちつつ、ピクセルフォント、ドット絵スプライト、アーケードゲームの質感をプラス。
• bold：ポスター級の特大フォント、ダークトーンの白抜きブロック、エレクトリックブルーを採用。

「DevinとGPT-Live-1のおかげで、AIエンジニアとの協調作業はチームメイトと一緒に仕事をする感覚にさらに近づきました。アイデアをブレインストーミングしたり、設計案を検証したり、キーボードから離れて作業を任せたりといったことが自然に行えます。」——Walden Yan氏、Cognition 共同創業者兼CPO

画面には子供向けアニメキャラクター（カピバラ、パグのPickle、ネズミのPipなど）が配置されています。ユーザーがカピバラのグループを選択し、4つの新しいシーンを考えて同時に生成するようAIに指示します（虹のガーデン迷路、タピオカカフェごっこ、ダンボールロケット、おもしろダンスパレード）。生成中、ユーザーは割り込んで「ネズミのPipの参照画像も追加して」と指示し、AIはそれを了承（音声返答では言い間違えてPickleの参照画像と言及）。動画終了時点で、4シーン中3シーンの生成が完了しています。

料金とコスト

フロントエンド音声層は1分あたり0.05ドル（1時間換算で3ドル）で、秒単位で課金され、分単位への繰り上げは行われません。セッションが開いている間は常に課金対象となるため、通話終了後は速やかにセッションを閉じる必要があります。前世代のGPT-Realtime-2.1は音声トークン単位の課金（入力100万トークンあたり32ドル、出力同64ドル）でしたが、GPT-Live-1では音声層が時間単位の課金に変更され、バックエンドの推論費用は別途計算される形となりました。

バックエンドモデルはトークン単位で課金され、各種ツールの利用料もそれぞれの体系に従って加算されます。価格ページに記載されている標準コンテキストの単価は以下の通りです。

• GPT-6 Astra：入力100万トークンあたり10ドル、出力50ドル
• GPT-5.6 Terra：入力2ドル、出力12ドル
• GPT-5.6 Luna：入力0.20ドル、出力1.20ドル

公式からは1時間あたりの合計想定コストは示されていません。あくまで仮定に基づく試算例を挙げます：1時間に60回委任が発生し、1回あたりの入力が4,000トークン、出力が150トークン（推論の思考トークンおよび外部ツール利用料は含まない）と仮定します。バックエンドにLunaを使用した場合、入力約0.048ドル、出力約0.011ドルで合計約0.06ドルとなり、フロントエンドの3ドルを加えると約3.06ドル/時間となります。バックエンドにAstraを使用した場合、入力2.40ドル、出力0.45ドルで合計約2.85ドルとなり、フロントエンドと合わせて約5.85ドル/時間となります。実際の請求額は委任回数、コンテキストの長さ、および使用するツールによって変動します。

開発者向けクイックスタート

接続方式

開発者ドキュメントにはいくつかの接続方式が挙げられています。

• WebRTC：ブラウザ音声アプリ向け。音声はメディアトラック、JSONイベントはデータチャネルを経由。
• WebSocket：サーバーサイドの音声統合向け。単一の接続上で音声と制御イベントを同時に伝送。
• サーバーサイド制御（server-side controls）：既存セッションにイベント専用のサイドカー接続を追加。音声はメイン接続を維持。
• 電話回線・SIP：一般電話回線への直接接続。
• パートナー連携：LiveKit、Twilio、Telnyx、Daily/Pipecatをすでに利用している場合、公式パートナーガイドに沿って容易に連携可能。

導入ステップ：

1. マイク環境、およびHTTPS環境またはlocalhostのWebページを用意します。APIキーは信頼できるサーバー側に保持し、クライアント側に露出させないでください。
2. 会話スタイルやバックエンドへ問い合わせるタイミングを定めた、簡潔なフロントエンドプロンプトを用意します。
3. クイックスタートガイドに従い、ブラウザのマイク入力、音声再生、およびイベントチャネルを接続します。セッション作成およびOffer / Answerの交換はサーバー側で行います。
4. session.startedイベントを受信してから発話を開始します。
5. 終了時は明示的にセッションをクローズしてください。これにより最終的な利用量を取得し、接続リソースを解放できます。

フロントエンドプロンプトの記述例（編集部作成）

GPT-Liveのプロンプトは短く保ち、会話スタイル（口調、話速、表現力、言語、返答の長さ）とバックエンドを呼び出すタイミングの定義に絞るべきです。詳細なビジネスロジックやツールの実行手順はバックエンド側に配置します。

# Role & Tone（役割と発話スタイル）
あなたはレストランの電話受付スタッフです。
親しみやすく、自然でプロフェッショナルなトーンを保ち、
適度な話速と豊かな表現力で応答してください。
日本語で返答し、
1回の発話は1〜2文程度にとどめ、
長々とした説明は避けてください。
ユーザーが言葉に詰まったり考えているときは、
「かしこまりました」「はい」などの
短い相槌を適度に挟んで構いませんが、
同じ言葉を何度も過度に繰り返さないでください。

# Delegation Rules（バックエンドへの委任ルール）
あなたの役割は自然で円滑な電話応対を維持することであり、
業務データベースを直接操作することはありません。
1. 空席確認、予約確定、注文の変更・キャンセルなどの
   具体的な操作が伴う場合：
   - まずユーザーに少しお待ちいただく旨を口頭で伝えてください。
     例：「かしこまりました。ただいま確認いたしますので少々お待ちください」
     その後、バックエンドへ処理をリクエストします。
2. バックグラウンドで処理を実行している間：
   - ユーザーが要望の追加や新たな質問を話しかけてきた場合は、
     遮らずに聞き取り、簡潔に了解の旨を伝えてください。
3. バックエンドから処理結果を受け取った後：
   - 要点を簡潔にまとめ、2文以内の自然な話し言葉で
     ユーザーに伝えてください。
     APIの生のレスポンスデータをそのまま読み上げることは
     絶対に避けてください。

GPT-Live-1をCodexに接続する（公式コードスニペット）

発表ページには、GPT-Live-1をCodexに接続するコード例が掲載されています。開発者ドキュメントの定義に基づけば、このようにアプリケーション側でバックエンドを実行する形態はClient委任に該当します。公式の注記によると、このコードは対話コンテキストをCodexに渡し、その回答をGPT-Live-1に戻す部分のみを抜粋したものであり、接続確立や委任ハンドリングの処理は省略されています。sandboxMode: \"read-only\"とapprovalPolicy: \"never\"の指定は、リポジトリが読み取り専用であり、人手による承認を必要としない構成を意味するため、読み取り専用のQA用途に適しています（日本語コメントは編集部による追記）。

import { Codex } from "@openai/codex-sdk";

// 1. Codex実行スレッドを初期化（読み取り専用サンドボックス、人手承認不要の設定。読み取り検索用途に最適）
const thread = new Codex().startThread({
  workingDirectory: "./repo",
  sandboxMode: "read-only",
  approvalPolicy: "never",
});

// 2. GPT-Live-1フロントエンドからの委任リクエストを受信（Client委任モード）
async function answer(live, delegationId, context) {
  // 会話のコンテキストをCodexに引き渡し、検索と回答生成を実行
  const { finalResponse } = await thread.run(
    `Answer the latest question using this repo.
Reply in two short spoken sentences.\n${context}`
  );

  // 3. イベントを通じて結果をGPT-Live-1フロントエンド音声層へ送信し、音声で読み上げ
  live.send({
    type: "session.commentary.append",
    delegation_id: delegationId,
    content: finalResponse,
  });
}

本番リリース前チェックリスト（編集部作成）

1. 応答遅延：実際の4G/5GネットワークやVoIP電話回線上でテストを実施し、ユーザーの発話終了からエージェントの話し始めまでの遅延が、ベンチマークに近い0.8秒前後に収まるか確認する（しきい値は業務要件に応じて調整）。
2. 言い淀みと早とちり：考えながら話すシチュエーション（「予約をお願いしたいのですが……ええと……その……土曜日の夜、2名で」など）をシミュレートし、過剰に早く割り込んでしまわないか確認する（バッファの目安例：1.5秒、業務要件に応じて調整）。
3. 周囲の話し声と環境ノイズ：近くで他人が話している場所や、テレビの音、環境騒音がある場所でテストし、他人の発話を誤って指示として認識しないか確認する。
4. 割り込み発生後のバックエンドタスク：ユーザーが発言を遮っても、すでに送信されたバックエンドタスクは自動キャンセルされません。ユーザーが途中で要望を変更した場合、アプリ側で適切にタスクをキャンセルまたは状態リセットできる設計になっているか確認する。
5. 権限と明示的確認：決済、課金、返品、予約変更など、機微性の高い操作や不可逆な処理については、アプリケーション側で明示的な確認フローを組み込む。
6. セッション終了処理：フロントエンドは秒単位の従量課金です。通話終了時は確実にセッションをクローズするよう実装してください。クライアント側の異常終了による未切断を防ぐため、1回あたりの最大通話時間（例：15分などの制限時間）を設けることを推奨します。

Realtimeモデルも、1つのモデルが発話・推論・ツール選択を一体でこなす構成として公式ドキュメントに選択肢として残り続けています。自然な対話を成立させながら複雑な業務処理やツール連携を両立させたい場合、GPT-Live-1のフロントエンドとバックエンドの分離構成は、極めて柔軟なシステム設計の自由度を提供してくれます。