本文へスキップ

openai/gpt-realtime-2.1/realtime

GPT-Realtime-2.1 は発話を理解し、推論と関数呼び出しを使いながら、音声またはテキストを逐次返します。

テキスト · 入力 $0.80テキスト · 出力 $4.80音声 · 入力 $6.40音声 · 出力 $12.80画像 · 入力 $1100 万トークンあたり公式価格より 80% 安いテキスト · キャッシュ入力 $0.08音声 · キャッシュ入力 $0.08画像 · キャッシュ入力 $0.10OpenAI 公式価格テキスト · 入力 $4テキスト · 出力 $24音声 · 入力 $32音声 · 出力 $64画像 · 入力 $5

プレイグラウンド

入力

リアルタイム会話
34/4096
GPT-Realtime-2.1 — 単輪タスクの最初の文章を指定します。ライブ音声は WebSocket のイベントで送ります。 1 文字以上 · 4096 文字以内
GPT-Realtime-2.1 — 音声を生成する前にプリセットを選びます。発話後の声の変更には新しい会話が必要です。
推論の深さ
最小低中高最高
GPT-Realtime-2.1 — minimal、low、medium、high、xhigh を選べます。推論も出力トークンを消費します。
セーフティチェックオフ

SpicyAPI はこのモデルにセーフティチェックをかけません。プロンプトと素材はそのままモデルに渡り、出力はモデル自身が決めます。

送信と料金見積もりを有効にする前にアカウントを確認しています。

出力

実行待ち
サンプル出力
0:00 / –:––

関連モデルと次のステップ

お探しのモデルが見つかりませんか?

GPT-Realtime-2.1 は発話を理解し、推論と関数呼び出しを使いながら、音声またはテキストを逐次返します。

主なスペック

コンテキスト
128K

トークン予算

入力ウィンドウ
128,000
1 リクエストあたりのトークン
1 回の返答上限
32,000
ウィンドウの 25%

reasoning_effort

  • minimal
  • low
  • medium
  • high
  • xhigh

できること

推論と関数で支える音声応答

2.1 では、英数字の認識、間や環境音への対応、利用者が割り込んだ際の動作が改善対象になっています。参照番号を確認する場面や、言いかけた文を聞く場面に関わる能力です。ただし、重要な名前や数字はアプリ側で復唱して確認してください。音声に付随する文字列だけで、すべての桁を正しく理解したとは判断できません。 難しい発話には推論強度を上げ、アプリの操作が必要なら関数を呼び出せます。音声は逐次届くため、回答全体がそろう前に再生を開始できます。モデルのコンテキストは 128,000 トークン、出力上限は 32,000 トークンです。接続ごとに、実際の用途に合った履歴と各応答の予算を選びます。

活用シーン

  • 声で予定を調整

    音声の予定調整では、空き時間を調べる関数の結果を受けてから候補を提示します。予約を確定する別の操作の前に、選ばれた日時と参加者を読み上げるように設計できます。

  • 機器の問題を順に確認

    機器のトラブル対応では、現在の状態を会話に残し、診断の質問を一度に一つだけ行います。操作の成功はツールの結果で確認し、その事実に基づいて次の手順を声で説明します。

GPT-Realtime-2.1 の作例

  • 音声での確認
  • フェリー出発の案内
  • レストラン予約の確認
  • 正午の会議リマインダー

モデルリファレンス

GPT-Realtime-2.1 API リファレンス

GPT-Realtime-2.1 API の呼び出し方

  1. プロンプトガイドと実践のヒント

    役割、応答する言語、曖昧な名前や数字を確認する条件を短く指定してください。各関数を呼ぶ場面と、完了を告げてよい結果を明示します。短い確認には minimal から始め、複数の条件を扱う代表的な質問で高い推論強度を比較します。すべての発話で推論を増やす必要はありません。 応答前に音声、再生形式、話速を決めます。PCM は 24 kHz のモノラル、G.711 は 8 kHz です。自動音声検出を使う場合は、実際のマイク環境と短い言いよどみで閾値を調整します。再生と割り込みはクライアント側で扱います。入力の独立した文字起こしは別の従量接続を使います。履歴を残す範囲と、話し言葉に適した各応答の上限を設定してください。

GPT-Realtime-2.1 API のよくある質問

GPT のすべてのモデル18

テキストモデル11