AIコールセンターの費用はどう変わる？GPT-Live-1を実例で試算

$0.05は音声レイヤーだけの料金

GPT-Live-1は、全二重方式の音声モデルです。相手の発話を聞きながら話せるため、発話ターンが終わるのを待たなくても、通話相手は途中で割り込み、間を置き、内容を訂正し、短い相づちを打てます。

この仕組みによって、システム構成そのものが変わります。従来の音声エージェント（ボイスボット）では、音声認識、言語モデル、音声合成を順につなぐ構成が一般的でした。アプリケーション側は、その受け渡しのたびに情報を運び、双方が同時に話したときの処理も決める必要があります。

GPT-Live-1は、リアルタイムの会話を一つの音声レイヤーで処理します。聞く、話す、間合いを追うといった役割を担い、より深い処理が必要になればバックエンドへ回します。バックエンドでは、予約状況の確認、アカウント情報の参照、ツールの実行、ポリシーに沿った判断などを行えます。

バックエンドは意図的に分離されています。Responses delegationを使い、GPT-Live-1から設定済みのOpenAIテキストモデルへ処理を渡すことも、client delegationを使い、自社アプリケーションで任意のモデル、エージェント、サービスを動かして結果を返すこともできます。音声体験は変えずに、処理内容に応じて低コストな頭脳と高性能な頭脳を使い分けられます。

電話接続も別枠です。着信は、電話事業者が提供するインターネット接続であるSIPトランク、または音声を中継するアプリケーションを通じてGPT-Live-1へ接続できます。OpenAIが担当するのはLiveセッションです。電話番号と電話回線は、引き続き利用中の通信事業者が担当します。

予算面で変わるのはここです。この経路では、音声認識と音声合成をOpenAIの別々のモデル工程として積算する必要がなくなります。一方で、三つの費用台帳は分けて管理しなければなりません。

AIコールセンターの料金を左右する三つの要素

最初の落とし穴は、時間の数え方です。GPT-Live-1の課金は、セッション開始から終了までの稼働時間に基づきます。無音も、ツールの処理待ちも課金対象です。マイクをミュートしても課金は止まりません。

もう一つの落とし穴は、会話の裏側で動くバックエンドを無料だと考えることです。実際には別途課金されます。標準的な短いコンテキストの料金では、GPT-5.6 Lunaが入力100万トークンあたり$0.20、出力100万トークンあたり$1.20です。GPT-5.6 Terraはそれぞれ$2.00と$12.00、GPT-6 Astraは$10.00と$50.00です。比較すべきなのは、トークン単価が最も安いモデルではありません。通話時間とやり直しを最小限に抑えながら、確実に用件を完了できる組み合わせです。

予約電話で分かる実際のコスト

飲食店にかかってきた90秒の予約電話を例にします。OpenAIが示すコスト例を出発点にすると、計算は明快です。

• 音声：90秒を60で割り、$0.05を掛けると$0.075です。
• バックエンド：この例で計測されたモデルとツールの利用料を$0.02と仮定します。
• 音声とバックエンドの小計：$0.095です。
• 電話回線：実際の通話に対する通信事業者の料金を加えます。

したがって、この通話の料金は$0.075ではありません。この例では、$0.095に電話回線料金を加えた額です。予約が確定すれば、それが解決済み予約一件の直接的な実行コストになります。エージェントが失敗し、人が同じ作業をやり直す場合、解決一件あたりのコストを計算するときも失敗した通話は分子に残ります。

合計に架空の市場価格を入れるより、電話回線を変数のまま示すほうが正確です。その料金を決めるのはOpenAIではありません。実際に利用している通信事業者の請求書から通話料を取得してください。

計算には、もう一つ重要な相互作用があります。高速なバックエンドがLiveセッションを早く終わらせるなら、トークン単価が高くても選ぶ価値があります。セッション時間を1分短縮すれば、音声料金を$0.05節約できます。反対に、通話相手に内容を繰り返させる、ツールの応答を長く待つ、予約に失敗するといった低価格のバックエンドは、総額ではかえって高くつく可能性があります。

実際の通話フローへの組み込み方

飲食店の運営者なら、着信予約用の電話番号にGPT-Live-1を導入し、用途を狭く絞れます。音声レイヤーが会話を担当し、低コストのバックエンドが空席を確認して予約内容を準備します。アプリケーションは最終的な時間枠を確認して予約を書き込み、遅れて届いた結果で誤った時間を予約しないよう制御します。

カスタマーサポートでは、同じフロントエンドに別のバックエンド方針を組み合わせられます。通常の注文照会はコスト重視のモデルに回し、請求への異議やポリシー上の例外は、より深く推論できるモデルや担当者へ引き継げます。価値があるのは、一つの音声モデルにすべてを任せることではありません。一貫した会話体験を保ちながら、タスクごとに推論コストを選べる点です。

すでに音声認識、モデル、音声合成をつないだシステムを持つプロダクトチームでは、判断基準が異なります。GPT-Live-1は受け渡し用のコードを減らし、発話の重なりを扱いやすくする可能性があります。ただし移行の労力に見合うのは、新システムによってタスク完了率または保守性が十分に向上する場合だけです。内製か購入かを比較する際は、より広い視点でまとめたAI音声エージェントの料金比較も参考になります。

ブラウザアプリなら、WebRTCで接続して電話事業者の料金を完全に省けます。それでもLiveの利用時間とバックエンド処理には費用がかかります。音声を必要としないテキスト専用エージェント、バッチ処理、アプリは、今回のリリースの影響を受けません。

最小構成で始める電話対応パイロット

SIPを直接使う経路では、電話事業者からOpenAIへ着信を送り、webhookでLiveセッションIDを受け取るところから始まります。ドキュメントに示されたacceptリクエストは次の形です。

curl -X POST "https://api.openai.com/v1/live/sessions/$SESSION_ID/accept" \
  -H "Authorization: Bearer $OPENAI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "session": {
      "type": "live",
      "model": "gpt-live-1",
      "instructions": "You are answering an inbound support call.",
      "audio": { "output": { "voice": "marin" } },
      "delegation": { "type": "client" }
    }
  }'

APIキーは、信頼できるバックエンドだけに置きます。音声フォーマットはSIP側でネゴシエーションされるため、audio.formatは指定しません。client delegationを設定すると、バックエンドのモデル、ツール、権限、使用量記録を自社アプリケーションで管理できます。

着信予約のパイロットなら、作業範囲が狭いため測定条件を揃えやすくなります。

割り込み性能は自社データで検証する

GPT-Live-1は発話の重なりに対応する設計ですが、発表時の事例をそのまま自社のサービス品質保証にはできません。Speakの共同創業者兼CTOであるAndrew Hsuによると、初期評価では、従来のターン制システムと比べて、考えている最中の間に生じる割り込みが80%近く減少しました。この結果は、Speakの語学学習環境で得られたものです。

騒がしい飲食店への電話、注文番号を読み上げるサポート利用者、日付を答える前に間を置く患者では、条件がまったく異なります。プロンプト、電話のコーデック、通信事業者側のジッター、ツールの遅延、自社の再生制御はいずれも、通話相手の体験を左右します。割り込みや遅延の改善率として、どの現場にも正直に当てはめられる共通値はありません。

本番環境では、例外処理も重要です。通話相手が割り込み、金曜日を木曜日に訂正しても、金曜日を対象に進行中のバックエンド処理が自動でキャンセルされるわけではありません。アプリケーション側で古いタスクを修正またはキャンセルし、遅れて返る結果を無視し、再試行で予約が重複しないようにする必要があります。

GPT-Liveの直接SIP接続が現在対応しているのは着信です。Liveセッション作成エンドポイントからSIPの発信は開始できないため、発信キャンペーンでは引き続き、電話事業者が管理するパートナー経路が必要です。発信を優先するチームは、移行計画を立てる前にその経路を確認してください。

月曜日から始めること

着信の予約窓口やサポート窓口を運営しているなら、用途を一つに絞ったパイロットを計測できる状態にしてください。音声秒数、バックエンド使用量、電話回線料金、完了した用件、担当者への引き継ぎ、割り込みの失敗を同じ記録にまとめます。そして、コスト重視のバックエンドと、必要だと考えている高性能なモデルを比較します。

解決済み通話あたりの総コストが現在のシステムを下回り、利用者の訂正によって古い処理が実行されないことを確認できたら、導入を進める判断ができます。メリットが$0.05という見出しだけの場合や、通信事業者と発信経路が固まっていない場合は待つべきです。テキスト専用の処理や、すでにコストと完了率の目標を満たす音声体験には、今回のリリースを取り入れる必要はありません。

運用コストを左右する変化を分かりやすく読み解く記事をもっと受け取りたい方は、ニュースレターにご登録ください。