2026年版 音声AIのためのGPT-Live-1代替ベスト8

TL;DR

GPT-Live-1は私がこれまで使った中でもっとも自然な音声モデルですが、API料金の$0.05/分は音声レイヤーだけの価格です。バックエンドの推論モデルとエージェントの実行基盤は別に課金されるため、表示価格は下限であって請求額ではありません。この一点こそ、代替を探す意味がある理由です。選ぶのは声だけではなく、課金の形そのものだからです。

私はこの3年あまり、ライブのサポートキューにAIを投入してきましたが、その経験が教えてくれるのは、流暢な声は正しい答えと同じではない、ということです。人間らしく聞こえるのに自信満々に誤ったポリシーを返すモデルは、ぎこちなくてもエスカレーションするモデルより悪い存在です。そのため、このリストでは地味な部分も評価基準にしています。どう計測されるか、引き継ぎ時に何が起きるか、そしてツールが正しい最終状態に本当にたどり着けるか、です。

8つの代替は、GPT-Live-1のように差し替えられる単一モデルの音声対音声エンジンと、エージェント全体を組み立ててくれるビルダー型プラットフォームの、明確な2グループに分かれます。Gemini LiveとNova Sonicはアーキテクチャ上もっとも近く、ElevenLabs、Vapi、Retellは最速でリリースする手段です。そして本当の課題が電話に出ることではなくチケットの解決なら、正直な答えは、これらのどれもヘルプデスクではない、ということです。このギャップについては最後に触れます。

なぜGPT-Live-1以外も見るのか

GPT-Live-1は非常に優れています。ChatGPTで先に公開されたあと、2026年9月10日にAPIで提供が始まり、従来の音声認識、推論、音声合成という連鎖を、聞きながら同時に話す単一の全二重モデルにまとめました。OpenAIはGPT-Realtime-2.1に対してFull Duplex Benchで30ポイントの向上を計測し、GPT-6 Astraと組み合わせるとTau3で1位になります。初期の導入では、語学アプリのSpeakが従来のターン制システムと比べて割り込みをほぼ80%削減しました。

では、なぜ他も探すのでしょうか。理由は3つ繰り返し挙がります。第一に、GPT-Live-1は意図的に推論モデルではなく、そのことを自ら明言しています。難しい思考はAstraのようなバックエンドやサードパーティのモデルに任せるため、その2つ目の請求はあなたの負担になります。Hacker Newsのあるコメント投稿者は、率直にこう述べました。

"GPT-Live isn't a particularly intelligent model. It needs to handoff for reasoning and more complex tasks. You shouldn't expect its responses to be as reliable as a frontier model."

kypro, Hacker News

第二に、別の価格形態、セルフホストの選択肢、特定の言語の組み合わせがほしい場合があります。第三に、そもそも自分でエージェントを作りたくない場合もあり、その場合は音声エージェントプラットフォームのほうが多くを肩代わりしてくれます。8つの内訳は次のとおりです。

GPT-Live-1の代替ベストを一覧で比較

評価の方法についてひとこと。モデルレイヤーの5つのツールはAPI中心なので、多くはスクリーンショットを撮れる製品ダッシュボードがなく、あるふりはしていません。それらの項目は、UI画像ではなくアーキテクチャと価格から始めています。3つのビルダー型プラットフォームには実際のコンソールがあるため、そちらは実際のキャプチャから始めています。価格は2026年9月時点で各ベンダーが公表している料金です。

そのまま差し替えられる音声モデル（GPT-Live-1にもっとも近いアーキテクチャ）

ここは直接の置き換え候補です。GPT-Live-1と同様に、自分のコードから呼び出すモデルで、多くは会話全体を連鎖ではなくひとつのモデルで処理します。

1. Google Gemini Live API

概要。 Googleのネイティブ音声リアルタイムAPIで、大手ラボの中ではGPT-Live-1にもっとも直接的に対抗する存在です。WebSocketでストリーミングし、割り込み（バージイン）に対応し、Gemini 2.5 Flashネイティブ音声モデルでは感情に応じた対話とプロアクティブ音声もサポートします。

強み。 幅の広さが特徴です。Gemini Liveは70以上の言語、Google検索が組み込まれた関数呼び出しに対応し、Vertex AIやAI Studioにそのまま接続できるため、すでにGoogle Cloud上にスタックがあるなら統合は短く済みます。構築用の本物の無料枠もあります。

制約。 セッションには上限があります。音声のみで約15分、音声と映像で約2分で、それ以上にはコンテキストウィンドウの圧縮が必要です。Googleは最初の音声までの時間を公表していないため、レイテンシはページで読むのではなく自分で計測することになります。

料金。 トークン課金です。Gemini 2.5 Flashネイティブ音声では、音声入力が100万トークンあたり$3.00、音声出力が100万トークンあたり$12.00です。新しいGemini 3.1 Flash Liveのバリアントは、入力が約$0.005/分、出力が約$0.018/分で、大手ラボとしては安価です。

向いている人。 すでにGoogle Cloudを使っていて、分単価の下限が低く、言語対応がもっとも広いものがほしいチーム。

2. Amazon Nova Sonic

概要。 Amazon Bedrock上のAWSの統合型音声対音声モデルです。GPT-Live-1と同様に、音声の理解と生成をパイプラインではなくひとつのモデルに統合しており、双方向ストリーミング、関数呼び出し、RAGによる知識の裏付けに対応します。

強み。 企業の調達向けの選択肢です。Bedrockの中にあるため、AWS IAM、VPC、請求をそのまま引き継ぎ、割り込みや背景ノイズにも強いです。現行のNova 2 Sonicは7言語と最大100万トークンのコンテキストウィンドウをうたっています。

制約。 確認すべき点が2つあります。当初のNova Sonic v1は2026年9月14日にサポート終了となるため、新規の用途にはNova 2 Sonicを使ってください。また、AWSは分あたりのドル単価を単純には公表しておらず、Bedrockの料金ページで音声トークンとテキストトークンに応じて課金されるため、見積もりは表計算の作業になります。リージョンも限られています。

料金。 Bedrockでは音声トークンに加え、別途テキストトークンで課金されます。$/分の表示価格は公表されていないため、導入前に自社のボリュームでモデル化してください。

向いている人。 既存のセキュリティと課金の管理のもとで、単一のS2Sモデルを使いたいAWSネイティブのチーム。

3. Grok Voice（Think Fast 2）

概要。 xAIのリアルタイム音声対音声モデルです。リスト全体の中で、購入者が本当に望む「固定で予測しやすい」価格形態にもっとも近いものです。

強み。 Grok Voiceは$0.08/分の固定料金で、Artificial Analysisの独立した計測でも実際の1時間あたりのコストは$4.80と、表示料金とぴったり一致します。トークン課金の競合は、実際の込み込みコストのほんの一部にすぎない入力単価を提示することがあるため、これは重要です。最初の音声まで約0.70秒と速く、品質と速度のフロンティアの上位近くにあります。

制約。 運用上の厳しい上限があります。チームあたりの同時セッションはデフォルトで10、1セッションは最大120分、リージョンはus-east-1のみです。電話は、割り当てた番号に対して$0.01/分が加算されます。さらに、サポート特化のtau-Voiceベンチマークでは、最良の構成でも解決できるタスクは約56.5%にとどまり、ベンダーの解決率の主張に対する有用な現実確認になります。

料金。 $0.08/分の固定で、実測の1時間あたりコストも表示価格と一致します。ボリューム割引や音声の優先レーンはありません。

向いている人。 トークン単価の最安値よりも、予測でき検証もできる分単位の請求を重視するチーム。

4. Cartesia Sonic

概要。 Cartesiaは低レイテンシの音声モデルSonicファミリーを作っており、2026年にはその上で音声エージェントを構築するコードファーストのプラットフォームLineも提供しています。モデルプロバイダーであり、ますますビルダーでもあります。

強み。 レイテンシと制御です。Sonic-3.6は最初のバイトの音声まで90ミリ秒未満、44言語、10秒のクリップからの音声クローンをうたっています。LineはCLIとGitHubベースのデプロイを備えた開発者向けのランタイムで、音声エージェントをバージョン管理下に置きたいチームに合います。

制約。 課金は分ではなくクレジットで、考え方が異なります。TTSは1文字につき1クレジットなので、比較するには自社のワークロードに換算する必要があります。セルフホストの選択肢は公表されていないため、Enterprise契約でない限りクラウドを前提にしてください。

料金。 無料は月2万クレジット、Proは月$5で10万クレジット、Startupは月$49で125万、Scaleは月$299で800万です。プランにより100万文字あたり約$37から$50に相当します。

向いている人。 レイテンシに敏感な構築や、コードファーストのワークフローを望む開発者。特に音声品質を比べているなら、CartesiaとElevenLabsの比較でさらに詳しく説明しています。

5. Deepgram Voice Agent API

概要。 Deepgramはパイプライン型の選択肢です。Voice Agent APIはDeepgram自身のNova音声認識とAura音声合成をまとめ、間に自分のLLMを持ち込めます。単一モデルではなく、設定可能なSTT-LLM-TTSパイプラインであることを明示しています。

強み。 コンポーネント単位で制御できます。LLMの入れ替え、STTの調整、必要ならセルフホストも可能です。バージインと関数呼び出しは標準で、新規アカウントには$200のクレジットが付き、込み込みの分単価が実際に公表されています。これは本来より珍しいことです。

制約。 パイプライン構造がトレードオフです。段階間の受け渡しのたびに、単一モデルと比べてわずかなレイテンシと脆さが加わり、間にあるLLMはDeepgramが請求しない別の請求になります。料金改定にも注意してください。Deepgramの公表価格は2026年9月12日以降に上がります。

料金。 Standardは従量課金で$0.056/分、Advancedは$0.122/分で、どちらも9月12日以降に上がります。内訳として、Nova-3 STTは$0.0048/分、Aura-2 TTSは1,000文字あたり$0.030です。

向いている人。 スタックの各段階を自分で握り、独自の推論モデルを持ち込みたいチーム。

音声エージェントプラットフォーム（エージェント全体を組み立てる）

モデルを自分でつなぎたくない場合、この3つはビルダー、電話、オーケストレーションをすぐに使える形で提供します。代わりに、その手軽さの対価は分単価に含まれます。

6. ElevenLabs

概要。 音声AIでもっとも知られた名前です。TTSのカタログにとどまらず、ElevenLabsはコンソール、分析、電話を備えた本格的なAgentsプラットフォームを提供しています。

強み。 音声品質と完成度は非常に高く、Agentsコンソールは成功率やCSATのような実際の運用指標を隠さず表示します。3つの中で、関係者にデモしやすいのはここです。

制約。 課金は失効するプリペイドの分で、利用が不安定だったり少なかったりすると不利です。枠を購入し、未使用の分は繰り越されません。Businessティアの月12,375分を超えると見積もり対応のみで、RAGのストレージは別課金です。

料金。 どの有料ティアも、含まれる1分あたりほぼ$0.08になります。Starterは$6で75分、Creatorは$22で275分、Proは$99で1,238分、Scaleは$299で3,738分、Businessは$990で12,375分です。無料枠にはエージェント15分が含まれます。ティアごとの計算はElevenLabsの料金の詳細に、ユーザーの評価はElevenLabsのレビューのまとめにあります。

向いている人。 音声品質を最優先し、分の利用量が安定して予測できるチーム。比較検討中なら、次はElevenLabsの代替のリストがおすすめです。

7. Vapi

概要。 Vapiは純粋なオーケストレーターです。モデルは自分で用意し、Vapiが電話、ターンテイキング、つなぎ込みを担うので、音声エージェントを素早く立ち上げられます。

強み。 動くプロトタイプまでの速さです。アシスタントビルダーは見やすく、モデルの選択は開かれており、多くのチームにとって、アイデアから電話に出る番号までの最短ルートです。

制約。 検討すべき点が2つあります。Vapi自身のオーケストレーション料金は現実的な分単価のかなりの割合を占めるため、良質なSTT、LLM、TTSを下に加えると組み立て後の単価は上がります。ナレッジベースはファイルアップロードのみで検索はGeminiのみ、チケットシステム連携はなく、テストも本番料金で課金されます。

料金。 組み立て後で約$0.105/分で、Vapi自身の料金は現実的な1分のおよそ48%を占めます。

向いている人。 モデルの柔軟性を最大限にしたく、連携作業を自分で担うことに抵抗がない開発者。

8. Retell AI

概要。 Retellは電話ベースのエージェントを真正面から狙ったオーケストレーションプラットフォームで、会話フロービルダーとQAが組み込まれています。

強み。 本番運用を意識しており、通話分析、テストスイート、ウォームトランスファーの処理があります。単純な発信または着信の電話の用途なら、有能で方針のはっきりした選択肢です。

制約。 積み上げ型の構成は合計がかさみます。Retell自身の音声インフラは避けられない$0.055/分で、$0.10/分のAI QAを有効にすると、さらに約74%上乗せされます。ヘルプデスク連携は薄く、Zendeskは「coming soon」と記載され、FreshdeskやGorgias、Frontとのネイティブ連携はありません。メーターは転送で止まるため、人間が引き継いだ分はRetellの対象外で、同社のFAQも"can AI replace call center agents?"に対して明確に"No."と答えています。

料金。 現実的なサポート構成で約$0.135/分、月5,000分で月約$675です。コンポーネントの構成はRetell AIの料金のページで、実際の使われ方はRetell AIのレビューで確認できます。

向いている人。 電話中心で、専用に作られた音声エージェントプラットフォームを望み、ヘルプデスク連携が限られていても許容できるチーム。近い候補はRetellの代替のリストで紹介しています。

正直なギャップ：どれもチケットを解決してくれない

サポートキューでAIを運用してきた長い年月を経ても、私が何度も立ち返る点があります。このリストのすべてのツールは音声インフラです。モデルか、モデルを電話回線に組み立てるビルダーです。口であって、従業員ではありません。知識を与え、システムにつなぎ、何をしてよいかを決め、解決できない問題を抱えた発信者に何が起きるかを考えるのは、依然としてあなたの仕事です。

そして、ほとんどのサポートチームにとって、仕事の大半は電話ではありません。メール、ライブチャット、Slack、そしてヘルプセンターにあります。顧客が問題を説明し、ポリシーに沿った正しい答えが返ってくることを期待する場所です。それがeeselの仕事です。正直に言いますが、eeselは音声ツールではないので、電話でGPT-Live-1と競合するふりはしません。音声が必要なら、上の8つのどれかと組み合わせてください。

eeselとは、すぐに働けるAIヘルプデスク担当のチームメイトです。ヘルプデスクに接続し、過去のチケットとドキュメントから学び、すでに運用しているチャネルで会話の解決を始めます。音声スタックとの違いのうち、ここで重要なのは次の2つです。

• 課金は分ではなくチケット単位です。音声モデルは、問題が解決したかどうかにかかわらず回線にいた時間に課金します。eeselのプランは500クレジットで月$299から始まり、1クレジットはチケットまたはチャット1件を長さにかかわらずカバーするため、メーターは通話時間ではなくチケットを追います。チケット単位で支払うと、サポート自動化のコスト計算は違った結果になります。
• 顧客に返信する前に、実際の過去のチケットでシミュレーションします。この機能の背景にある苦い経験は本物です。自信ありげに聞こえるボットが静かに誤答するのを見てきたため、eeselの導入はすべて、過去の数千件のチケットで事前に予行演習を行い、公開前に予測される挙動を確認できます。

ここまで読んでくださった開発者の方にもお伝えしたいことがあります。この記事の多くはAPIと構築の話なので、eeselがダッシュボードだけではないことも知っておく価値があります。eesel CLIは、同じチームメイトと同じワークスペースをターミナルから操作します。人が手動で実行することも、スクリプトで自動化することも、Claude Code、Codex、Cursorのようなコーディングエージェントが直接操作することもでき、MCPやウェブフックも使えます。音声モデルをスクリプトで動かすのと同じように、サポート担当のチームメイトもスクリプトで動かせます。ナレッジソースを接続し、指示の変更を提案し、シミュレーションを実行し、JSONの結果を確認する。すべてコマンドラインから可能です。これはサポートエージェントへのエージェント的な道筋であり、単なるチャット画面ではありません。

あなたの本当の疑問が「音声をどう追加するか」ではなく「より多くのサポート会話に正しく答えるにはどうするか」であるなら、試す価値があるのはこのツールです。

選び方

デモではなく、実際の仕事に合わせてツールを選んでください。

• GPT-Live-1にもっとも近い入れ替えがほしい。 Gemini LiveかNova Sonicから始めましょう。どちらも大手ラボが支える単一のS2Sモデルです。
• 予測できる請求がほしい。 Grok Voiceの固定$0.08/分や、Deepgramが公表する込み込みの$0.056/分が、もっとも見通しを立てやすいです。
• 作り込まずにリリースしたい。 ElevenLabs、Vapi、Retellなら、今日からコンソールと電話が使えます。
• レイテンシやコードファーストの制御を重視する。 CartesiaのSonicとLineがその構成に合います。
• 本当の仕事は電話に出ることではなくチケットの解決。 テキスト中心のAIヘルプデスクエージェントのほうが、どの音声モデルよりも数字を動かします。導入前に、AIエージェントのコストを人間のエージェントと比べることもできます。

最後に、あのHNのスレッドに呼応する現場からのひとことです。音声品質は基本的に解決済みで、このリストのどれも良い声で話します。依然として難しいのは、正しくあることです。別のテスターは、現行モデルの癖をうまく言い表しました。

"The new gpt-live feature tends to interrupt with 'human' sounding injections like 'hmm', 'huh' a bit too much for my liking. Also its crutch is to start by paraphrasing what I just said."

kingkongjaffa, Hacker News

自社のスタックと予算に合った声を選んでください。そのうえで、本当のエネルギーは、顧客が信頼するかどうかを決める部分、つまりその下にある答えに注いでください。