OpenAI Realtime APIと文字起こしの料金比較：音声対話の総費用を見積もる

OpenAIの音声APIは、「何分使うか」の前に「何を完成させたいか」で選びます。 話しかけて音声で答えてもらうならRealtime音声対話、話している途中の字幕だけならライブ文字起こし、録音から議事録を作るならファイル文字起こしが出発点です。文字起こしの料金だけを音声対話の料金と並べても、答えの生成と読み上げが抜けた比較になります。

2026年10月6日の公式料金を使うと、ユーザーが30秒話し、AIが30秒応答する場合、新しく入る音声と生成音声だけの試算はgpt-realtime-2.1が0.048米ドル、gpt-realtime-2.1-miniが0.015米ドルです。履歴、テキスト、ツール、必要な入力文字起こしは別に足します。この条件ではminiの音声分がライブSTTの1分0.017米ドルを下回るため、「STTを組み合わせれば必ず安い」とは言えません。ただし、受け取る成果も音声量も違う数字なので、この大小だけで採用を決めることもできません。公式料金表、Realtimeの計量方法に基づく計算です。

選ぶ順番は、必要な成果を決め、同じ発話量や処理量を置き、最後に運用費まで加えることです。以下の計算は公式仕様と仮定した利用量による予算例で、実際の音声通話、API呼び出し、請求、応答速度、認識精度の測定結果ではありません。

音声対話・字幕・録音で、出発点を分ける

音声の入力が同じでも、音声で返すこと、文字を逐次表示すること、後で正しい記録を残すことは別の仕事です。

新規の文字起こしでは、OpenAIはファイル用にgpt-transcribe、ライブ用にgpt-live-transcribeを推奨しています。既存のgpt-4o-transcribe、mini、gpt-realtime-whisperをそのまま新規採用の標準と考えないようにします。文字起こしの方式選択を確認してください。

録音済みファイルでも処理途中の文字をストリーミングできます。「文字が順次届くからRealtimeが必要」とは限りません。ファイル処理は最大25MBで、それを超える録音は圧縮や分割の設計が必要です。ファイル文字起こしに、完了した録音とライブ入力の違いが説明されています。

料金表の「1分」は同じ長さを指していない

比較では、通話全体の経過時間、ユーザーの入力音声、AIの生成音声、録音の長さを分けます。10分の通話でユーザーが4分、AIが3分話しても、音声をそれぞれ10分処理したことにはなりません。一方、GPTLiveでは残りの待ち時間や無言の時間も、セッションが活動中なら料金に含まれます。

2026年10月6日に確認したOpenAI公式料金表の米ドル建て料金は次のとおりです。税金、電話回線、別サービスの料金はこの表に含めていません。

音声対話に画像を渡す場合も別の入力費があり、100万画像トークン当たり通常モデルは5米ドル、キャッシュは0.50米ドル、miniは0.80米ドルと0.08米ドルです。バックエンドのモデルや外部ツールも、その提供元の料金を加えます。公式料金表を適用するモデルごとに確認してください。

Realtimeの音声を分単位に直す

公式の費用ガイドでは、ユーザー音声は100ミリ秒で1トークン、アシスタント音声は50ミリ秒で1トークンです。つまり入力は1分約600トークン、出力は1分約1,200トークンとして、新規音声分を概算できます。特殊トークンによる小さな差は残ります。

通常モデルの新規音声分
= ユーザー発話分数 × 600 × 32 ÷ 1,000,000
+ AI生成音声分数 × 1,200 × 64 ÷ 1,000,000
= 入力音声分数 × 0.0192 + 生成音声分数 × 0.0768

miniの新規音声分
= 入力音声分数 × 0.006 + 生成音声分数 × 0.024

ユーザー30秒＋AI30秒なら、通常モデルは0.5 × 0.0192 + 0.5 × 0.0768 = 0.048米ドル、miniは0.5 × 0.006 + 0.5 × 0.024 = 0.015米ドルです。これを60回続ける仮定なら、新規音声分だけで2.88米ドル、0.90米ドルとなります。どちらも1時間の会話を固定価格で買えるという意味ではありません。

5.76米ドルという数字は、通常モデルでユーザー音声を丸1時間、AI生成音声も丸1時間と置いた計算です。60 × 0.0192 + 60 × 0.0768 = 5.76で、1時間の通話単価や全セッションの最低料金ではありません。実際の通話ではそれぞれの長さと、次節の履歴・テキスト分を使います。

Realtimeの見積もりには履歴と文字起こしも入れる

RealtimeはResponseが作られると入出力トークンを計上し、会話履歴も次のResponseの入力になります。新しく話した音声の長さだけでは、会話全体の費用を再現できません。長い会話ほど、後半の入力やツールの結果がどれだけ増えるかを見ます。Responseごとの課金と使用量が根拠です。

キャッシュされた入力は通常入力の一部です。音声、テキスト、画像ごとに、通常入力からその種類のキャッシュ分を引き、残りを通常料金、キャッシュ分をキャッシュ料金で計算します。入力キャッシュの総数を音声とテキストの両方から引いたり、出力まで割り引いたりしてはいけません。

ある種類の入力費
=（入力トークン − 同じ種類のキャッシュトークン）× 通常入力単価 ÷ 1,000,000
+ 同じ種類のキャッシュトークン × キャッシュ入力単価 ÷ 1,000,000

Realtime費
= 各Responseの音声・テキスト・画像入力費の合計
+ 音声・テキスト出力費
+ 有効にした入力文字起こしの費用

確認する記録はresponse.doneのusageです。input_token_details、その中のcached_tokens_details、output_token_detailsを使い、同じResponse IDを一度だけ集計します。total_tokensは内訳の合計で、追加の課金項目ではありません。入力文字起こしは別モデルで処理されるため、conversation.item.input_audio_transcription.completedの使用量と、そのモデルの料金を別に記録します。公式ガイドの使用量例を参照してください。

キャッシュは保証されません。履歴や指示、ツール定義の変更、切り詰めで再利用率が落ちることがあります。予算にはキャッシュが少ない場合も置きます。また、対話用RealtimeのVADは空の入力音声を除きますが、クライアントが手動で空音声を追加する場合は別です。接続やネットワーク帯域は現在のRealtime課金対象ではないものの、接続先の電話会社や自社基盤まで無料になるわけではありません。キャッシュと入力音声の扱いを確認してください。

同じ10分の音声応対なら、miniとパイプラインのどちらが安いか

次の仮定で、音声による問い合わせ対応を試算します。比較する成果は、同じ用件への音声回答を終え、必要な処理を完了することです。日本語認識、回答内容、割り込み、タスク完了率が同等かどうかは別途評価する必要があります。

• 通話の経過時間は10分、ユーザー音声は4分、AI生成音声は3分、残りは待ち時間など。
• Realtimeでは新規音声に加え、キャッシュなしの履歴音声1,200トークン、キャッシュ音声6,000トークンを仮定。
• テキスト入力はキャッシュなし4,000トークン、キャッシュ10,000トークン、テキスト出力は800トークン。
• パイプラインでは4分の音声をライブSTTに渡し、履歴やツール情報を含むテキストモデル処理を仮に0.025米ドル、TTSへ渡す文字数を3,000文字とします。
• 外部ツールの実行、保存、電話回線、監視、人手確認などは、両方式に共通の仮予算0.012米ドルとします。画像入力や追加再試行は置かない1回の処理例で、実サービスの見積額ではありません。

TTSの計算には既存のtts-1を使います。公式料金は100万文字15米ドルで、3,000文字なら0.045米ドルです。ただしtts-1は2027年1月6日に終了予定なので、これは既存構成を見直すための例です。新規構成にそのまま採用する推奨ではありません。文字数を3分に対応させたのもこの例の仮定で、すべての日本語や話速に適用できる換算ではありません。料金表、終了予定を確認してください。

この入力ではminiが0.02328米ドル低くなります。通常モデルに同じトークン量を適用すると、音声・テキスト分0.3872米ドル＋共通運用費0.012米ドル＝0.3992米ドルです。miniの存在で、従来の通常モデル対STTの比較だけでは判断できなくなります。料金は公式表を適用していますが、上の使用量と運用費は仮定です。

一方、音声応対に加え、4分のユーザー発話を独立した文字起こしとして残すことも要件にすると、結論が変わります。RealtimeにライブSTT相当の別処理を置く仮定では0.068米ドルが加わり、合計は0.19472米ドルです。パイプラインの0.15000米ドルはすでにその文字起こしを含みます。会話ログに表示される文字が、要件を満たす独立した入力文字起こしかを確かめてから、追加処理の要否を決めてください。

この例の差額だけを見れば、Realtime側の追加文字起こしや追加運用費が0.02328米ドルを超えると、価格の順序が逆転します。追加費が0.02なら0.14672、0.03なら0.15672米ドルです。これは置いた入力に限った境界で、全用途の損益分岐点ではありません。miniで同じ用件を完了できず再試行や人手対応が増える場合も、その費用を加えて判断します。

GPTLiveは「話した分」より「セッションを開いていた分」を見る

GPTLiveでは音声の会話部分と、推論やツールを実行するバックエンドを分けて見積もります。gpt-live-1の音声部分は活動時間1分0.05米ドルで秒単位の計算です。ユーザーの発話、AIの発話だけでなく、無言やバックエンドの処理待ちも活動時間に含まれます。料金表、GPTLiveの費用ガイドが根拠です。

GPTLiveの総費用
= 課金対象の活動秒数 ÷ 60 × 0.05
+ バックエンドのモデル・ツール費
+ 必要な別処理と運用費

例えば90秒の活動時間なら音声分は0.075米ドル。バックエンドを仮に0.02米ドルと置くと、両者の合計は0.095米ドルです。WebRTCのセッション作成時に計上される15秒は、開始したセッションの活動時間に充当されるため、この90秒を105秒として足し直しません。未使用の開始処理や再接続は別に確認します。初期化料金の説明を参照してください。

先ほどの10分通話をGPTLiveで活動させ続け、バックエンド0.025米ドル、共通運用費0.012米ドルを置くと、10 × 0.05 + 0.025 + 0.012 = 0.537米ドルです。これは独立した文字起こしなどの追加要件を入れていない仮予算です。Realtime miniの発話トークンとGPTLiveの活動時間を、同じ「音声1分」として換算しないことが大切です。

GPTLiveでは、バックエンドを安くしたのに総費用が増えることもあります。1分早く処理を終えて閉じられるなら音声分は0.05米ドル減ります。高速なバックエンドへの変更が0.03米ドル増で済めば合計0.02米ドル減、0.06米ドル増なら合計0.01米ドル増です。必要な確認を省かず、終了までの時間とバックエンド費を一緒に評価します。

使用量はsession.usage.updatedの累積秒数を最新値で置き換え、session.closedの最終値を一度記録します。例えば12秒、30秒、90秒という通知を足して132秒にしてはいけません。バックエンドはResponse IDごとに使用量を一度だけ数え、アプリが別途行った呼び出しも合算します。マイクのミュートはセッション終了ではありません。使用量の記録方法に沿って実装してください。

議事録とライブ字幕は、必要な時点まで待てるかで決める

録音後に議事録を作る60分の会議なら、gpt-transcribeの文字起こし分は60 × 0.0045 = 0.27米ドルです。要約・抽出を仮に0.04米ドル、保存・確認を仮に0.03米ドルと置けば、1本の予算は0.34米ドルとなります。音声で応答しない成果なので、TTSを入れる必要はありません。ファイル用の推奨モデルと料金表に基づく、仮定付きの計算です。

会議中に字幕が必要なら、同じ60分をgpt-live-transcribeで処理する音声分は1.02米ドルです。終了後の要約と保存・確認に同じ0.07米ドルを置くと、1.09米ドルです。この0.75米ドルの差で買うのは途中の文字表示という追加成果です。録音後の文字だけでよいアプリと比べて「高い」と結論づけず、その機能が必要かを決めます。

字幕には、音声対話用RealtimeのVAD説明をそのまま流用しないようにします。gpt-live-transcribeは現在、サーバーVAD／semantic VADをサポートせず、クライアント側で発話終了を検出してcommitする方式です。単語時刻、話者ラベル、信頼度スコアも返しません。そこまで必要な場合は対応するファイル用モデルや別処理の費用を入れます。ライブ文字起こしの仕様を確認してください。

話者別の記録にはgpt-4o-transcribe-diarize、単語時刻やSRT／VTT字幕にはwhisper-1という用途別の選択肢があります。ただし対象の旧文字起こしモデルは2027年2月26日に終了予定です。推奨の新モデルへ移れば旧モデルの専門機能もすべて付いてくる、とは考えず、必要な出力と移行先を別々に確認します。専門機能の選択、終了予定が根拠です。

既存費用との比較でgpt-4o-transcribeの約0.006米ドル／分やminiの約0.003米ドル／分を使う場合は、公式表の推定値として扱います。これらはトークン料金から示された目安で、一定の分単価を保証する請求契約ではありません。公式料金表の単位も一緒に確認してください。

ハイブリッドでは、ライブ区間の終わりを仕様にする

ライブ会話に価値がある区間だけRealtimeを使い、会話後の要約や分類はテキスト処理に渡せます。例えば10分の応対をすべて対話処理にする代わりに、最初の3分だけ音声で質問を整理し、その後は録音の確認と記録作成に切り替える設計です。

ライブ区間のユーザー音声を1分、AI生成音声を1分とすると、miniの新規音声分は0.006 + 0.024 = 0.03米ドル。残り7分をファイル文字起こしする分は7 × 0.0045 = 0.0315米ドルです。ライブ部分の履歴・テキストを仮に0.01、記録の要約を0.02、運用費を0.012米ドルとすれば、合計は0.03 + 0.0315 + 0.01 + 0.02 + 0.012 = 0.1035米ドルです。最初のライブ区間にも独立した文字起こしが必要なら、その費用はさらに加えます。音声とファイル処理の公式料金を適用した仮予算です。

これは10分ずっと音声で質問に答えられる設計と同じ成果ではありません。途中から録音や記録作成へ切り替えてよい用途だから成立します。費用削減のために、利用者が必要としている音声応答まで消してしまわないようにします。

実装前に、どの用件が終わったらライブ処理を閉じるか、必要な状態をどこへ保存するか、誰がいつ記録を受け取るかを決めます。文字起こしがすでにあるなら、後処理はそれを使うか、録音を再処理する理由があるかを分けます。二重処理は精度改善などの目的と費用を明示したうえで採用します。

自社の予算表に入れる項目

予算表は1件当たりを作ってから月次に広げます。音声料金だけでなく、完了できなかった試行も含め、最後に何件の用件を完了できたかで割ります。

月次総費用
= 全試行の音声・文字起こし・テキストモデル・ツール・TTS費
+ 保存・電話回線・確認などの運用費
+ 固定の保守費

完了1件当たり費用 = 月次総費用 ÷ 同じ成功条件を満たした件数

先ほどのmini予算0.12672米ドルを1,000回分置けば126.72米ドルです。固定の保守費を仮に20米ドル、同じ条件で完了した用件を950件とすれば、1件当たりは146.72 ÷ 950 ≈ 0.15444米ドルとなります。全試行を含んだ予算例なので、950件に掛け直して失敗分を消してはいけません。追加再試行が上の1,000回の外に発生すれば、その費用も分子へ足します。

音声だけの低・標準・高のケースでは足りません。発話の長さ、履歴の再入力、キャッシュ率、文字起こしの有無、ツール待ち、再試行、人手確認を変え、成功条件を満たすかを合わせて見ると採用判断に使えます。料金不明の項目は変数として残し、見積もり済みの合計と未算入項目を表示します。0円で穴を埋めると比較そのものが変わります。

TTSもモデルごとに計量を守ります。gpt-4o-mini-ttsは100万トークン当たりテキスト入力0.60米ドル、音声出力12米ドルです。Realtimeの「出力1分約1,200トークン」をそのまま借りて固定分単価にはできません。旧TTSからの移行では、終了対象のモデルやスナップショットと、新しい接続方式を確認して予算を組み直します。料金表、対象モデルの終了予定を参照してください。

予算超過を呼び出し前に止めたい場合は、LLMエージェントAPIの費用キルスイッチで、予約済み費用や未確定の呼び出しを含む予算管理を検討できます。

よくある質問

Realtime APIはSTT→LLM→TTSより必ず高いですか？

いいえ。miniの単価、生成音声量、履歴、STTとTTSの組合せで変わります。本文の仮条件では音声応対のみならminiが0.12672米ドル、既存TTSを使うパイプラインが0.15米ドルです。独立した入力文字起こしを加える仮定ではminiが0.19472米ドルになり、順序が逆転します。同じ用件を完了できる品質や再試行費も合わせて比較します。公式料金表に仮の使用量を適用した計算です。

Realtimeの5.76米ドルは1時間の通話料金ですか？

いいえ。通常モデルで入力音声60分と生成音声60分を合算した音声分の計算です。1時間の通話でユーザーとAIが交代して話す時間とは異なり、履歴やテキスト費も含みません。ユーザー30分＋AI30分なら新規音声分は2.88米ドル、miniは0.90米ドルですが、いずれも最終請求額ではありません。公式の音声トークン換算と単価から求められます。

録音の文字をストリーミングするだけでもRealtimeが必要ですか？

必要ありません。録音済みファイルはgpt-transcribeのstream=trueで部分的な文字と最終結果を受け取れます。マイクや通話の音声が今まさに届いていて、その時点で文字が必要ならgpt-live-transcribeを検討します。公式の文字起こし方式で区別されています。

GPTLiveは無言やミュート中も課金されますか？

活動中のセッションには無言や処理待ちも含まれ、ミュートだけでは閉じません。gpt-live-1の音声部分は秒単位で計算し、別にバックエンド費を加えます。終了時はsession.closedの最終秒数を一度記録し、途中の累積通知を足しません。GPTLiveの課金と使用量を確認してください。

安いモデルへ切り替えれば、完了1件の費用も下がりますか？

単価だけでは決まりません。回答の誤り、長い待ち時間、再試行、人手への引き継ぎが増えると、総費用を完了件数で割った値は上がり得ます。同じ成功条件で比較し、日本語の固有名詞・番号・雑音・割り込みなど、実際の利用条件を含めて評価します。本文の予算例は算術の比較で、認識精度や応答速度の優劣を示す試験ではありません。