OpenAIがリアルタイム音声3モデルを発表｜70言語同時通訳・低遅延文字起こしで音声エージェントが新段階—日本の多言語対応・コールセンター活用への影響

OpenAIは2026年5月7日、リアルタイム音声処理に特化した3種の新AIモデル「GPT-Realtime-2」「GPT-Realtime-Translate」「GPT-Realtime-Whisper」をRealtime API向けに正式公開しました（出典：OpenAI公式）。従来のCall-and-Response型から脱し、「聴く・推論する・翻訳する・文字起こしする・行動する」を会話の流れの中でリアルタイムに実行できる音声エージェント基盤が整いつつあります。日本語は3モデルすべてでサポートされており、国内企業が多言語対応や音声AIエージェント構築に活用できる段階に入りました。

何が起きたのか

GPT-Realtime-2：GPT-5クラスの推論を持つ音声エージェント基盤

GPT-Realtime-2は、OpenAI初の「GPT-5クラスの推論能力を持つ音声モデル」です（出典：OpenAI公式）。ツール呼び出し・割り込み処理・会話の文脈維持・自然な間合いの調整をリアルタイムで行えるため、テキストベースのチャットボットと比較してより自然な音声エージェントを構築できます。コールセンターの自動応答・予約受付・社内ヘルプデスクなど、リアルタイムで人と会話しながらシステム操作や情報提供が必要な業務への応用が想定されます。

GPT-Realtime-Translate：70言語入力・13言語出力のリアルタイム同時通訳

GPT-Realtime-Translateは、70言語以上の入力に対応し13言語にリアルタイムで翻訳するモデルです（出典：OpenAI公式）。高品質な出力言語として日本語・英語・スペイン語・フランス語・ドイツ語・中国語・韓国語・アラビア語・ヒンディー語・ロシア語・オランダ語・イタリア語・ポルトガル語が含まれます。話者のペースに合わせて翻訳が流れるため、国際会議のウェビナー・決算発表・多言語カスタマーサポートセンターで別途通訳者を用意せずに運用できる可能性があります（推測：実際の精度は専門領域・話速・音環境により異なります）。

GPT-Realtime-Whisper：ストリーミング文字起こしで低遅延を実現

GPT-Realtime-Whisperは、話しながらリアルタイムで音声を文字に変換するストリーミング文字起こしモデルです（出典：OpenAI公式）。従来の文字起こしは音声区間が終わってから処理するバッチ型が主流でしたが、GPT-Realtime-Whisperは音声ストリームをリアルタイムでテキストストリームに変換するため、会議議事録の即時生成・字幕配信・音声コマンドの即時認識に活用できます。

日本への影響・ビジネス活用ヒント

• 多言語コールセンターの人員効率化を検討する：訪日外国人対応や越境ECのサポートで複数言語のオペレーターを配置している企業は、GPT-Realtime-Translateを試験導入することで対応言語の拡張コストを抑えられる可能性があります。ただし、専門用語・クレーム対応・個人情報を扱う業務への適用前には品質検証と法務確認が必要です。
• 国際会議・ウェビナーの通訳コスト削減を評価する：グローバル企業の日本法人や日系企業のグループ会議では、英語↔日本語のリアルタイム翻訳がAPI経由で実現できる見込みです。現在は外部通訳サービスを利用している会議体について、API経由での試験導入を検討する価値があります（推測：商談・法的確認が必要な会議では最終判断は人間が行う運用が望ましいと見られます）。
• 社内音声ヘルプデスクや予約エージェントのPoCを構築する：GPT-Realtime-2はOpenAIのRealtime APIで利用可能であり、既存のAPIキーがあれば評価を開始できます。まず社内FAQへの音声問い合わせ応答など情報漏洩リスクが低い用途でPoCを実施し、精度・遅延・コストを検証してから本番用途に拡大するアプローチが現実的です。
• 議事録・字幕の即時生成フローで会議生産性を高める：GPT-Realtime-WhisperのストリーミングAPIを使えば、Zoom・Google Meet・Teams等の音声をリアルタイムで文字起こしし、会議終了と同時に議事録のドラフトを生成するパイプラインを構築できます。既存のWhisperバッチ処理より遅延が小さく、字幕表示にも活用できます。