ChatGPT音声・電話対応2026年7月6日

OpenAIの音声AI「GPT-Realtime-2.1」、電話窓口の自動化はどこまで来たか

OpenAIが2026年7月6日、リアルタイム音声モデル「GPT-Realtime-2.1」と、小型版の「GPT-Realtime-2.1-mini」を公開しました。改善点は、応答が遅くなるケースの短縮と、英数字の聞き取り、そして無音・雑音・話の割り込みへの対応です。電話の一次受けや予約受付をAIに任せる話が、また一歩現実に近づきました。ただしこれはChatGPTの画面でオンにできる機能ではなく、開発を伴うAPIです。自社の窓口で使えるかを判断する材料を整理します。

何が変わったか

GPT-Realtime-2.1 は、音声を聞いて音声で答えるモデルです。文字起こし → 文章生成 → 読み上げ、と3つの部品をつなぐのではなく、ひとつのモデルが音声のまま受け答えします。だから電話のように「相手が話し終わる前に割り込む」「言い直す」やり取りに向いています。今回の更新で、OpenAIが公開している変更点は次のとおりです。

●公開日は2026年7月6日。GPT-Realtime-2.1 と GPT-Realtime-2.1-mini の2モデルが同時公開
●キャッシュの改善により、Realtime音声モデル全体で p95 の遅延を25%以上短縮（p95＝100回のうち95回はこの時間内に収まる、という「遅い側」の目安）
●英数字の聞き取り、無音・雑音の扱い、話に割り込まれたときの挙動を改善
●入力は音声・テキスト・画像、出力は音声とテキスト。コンテキストは128,000トークン、最大出力は32,000トークン
●関数呼び出し（社内システムの照会など外部処理の呼び出し）とプロンプトキャッシュに対応。推論にかける度合いも設定できる
●料金は GPT-Realtime-2.1 が音声入力 100万トークンあたり32ドル・音声出力64ドル。mini は音声入力10ドル・音声出力20ドル
●提供はOpenAIのRealtime API。Playground（platform.openai.com/audio/realtime）で試せる

実務目線でいちばん効くのは「英数字の聞き取り」の改善です。電話窓口でAIが詰まるのは、たいてい注文番号・電話番号・型番といった英数字の並びです。ここを聞き返し続けると相手が離脱するので、通話の成否を分けます。

ChatGPTの入力画面。記事の機能はこの画面から使います。（出典：ChatGPT（OpenAI）の画面）

業務での使いどころ

向いているのは、聞くことが決まっていて、答えが社内のデータで確定する電話です。予約の受付・変更、配送状況の照会、営業時間や場所の案内、一次受けして担当へ振り分ける取次ぎ。関数呼び出しに対応しているので、聞き取った予約番号でそのまま予約システムを引く、といった作りにできます。

逆に向かないのは、クレームの初期対応、契約・解約や金額の交渉、こちらの判断が必要な相談です。相手の感情を受け止める場面と、間違えたときの損害が大きい手続きは、人が出る前提で線を引いておくのが安全です。

1直近1か月の入電を種類別に数え、件数の多い上位3つを書き出す
2その3つのうち「答えが社内データで一意に決まるもの」だけを自動化の候補にする
3候補ごとに、AIが聞き取るべき項目（予約番号・氏名・日時など）と、参照するシステムを決める
4人に代わる条件（AIが2回聞き返しても取れない、相手が「人と話したい」と言う、等）を先に決める
5社内の代表電話やテスト回線で、社員が客役になって通話を録り、聞き間違いが起きた項目を記録する

電話の一次受けAIに渡す指示文（予約受付の例）

あなたは「○○（店舗・会社名）」の電話一次受け担当です。話し言葉で、短く、丁寧に応対してください。

【対応する用件】
・予約の新規受付、日時変更、キャンセル
・営業時間、場所、駐車場の案内

【必ず聞き取る項目】
1. お名前（漢字の確認は不要）
2. お電話番号
3. ご希望の日時
4. ご利用人数

【聞き取りのルール】
・電話番号と予約番号は、聞き取った後に必ず一桁ずつ復唱して確認する
・1回でも聞き取れなければ「恐れ入ります、もう一度お願いできますか」と聞き直す
・同じ項目を2回聞き直しても確定できない場合は、聞き取りを止めて担当者に取り次ぐ

【やらないこと】
・料金の値引き、キャンセル料の免除、例外対応の約束をしない
・確認できていない在庫状況や空き状況を断定しない
・苦情・クレームの内容に入ったら、その場で「担当者におつなぎします」と伝えて取り次ぐ

【終わり方】
聞き取った4項目を復唱し、「この内容で承ります」と伝えてから通話を終える。

この指示文の肝は「一桁ずつ復唱する」「2回聞き直してダメなら人に回す」の2行です。音声AIは聞き取れなかったことを自分から言わないので、確認と撤退の手順を文章で持たせておかないと、間違った予約番号のまま話が進みます。

試すときに気をつけること

これは「ChatGPTの新機能」ではなく、開発が必要なAPIです

GPT-Realtime-2.1 はOpenAIのRealtime API で提供されるモデルで、ChatGPTの画面から設定でオンにできるものではありません。実際に電話窓口で使うには、電話回線とつなぎ込む開発（自社の開発者、または音声AIサービスを提供するベンダー）が必要です。「明日から使える機能」として社内に説明すると話が食い違うので、まずは検証にかかる工数と費用を見積もるところから始めてください。

●日本語での実力は自社の音声で確かめる。OpenAIが示している改善点に、日本語での測定値は含まれていません
●小型版のminiは慎重に。Gen-AXが日本語カスタマーサポート想定のベンチマーク（τ-Voice、3タスク×各30トライアル）で5世代を比較したところ、GPT-Realtime-2.1 は平均21.8〜24.7ターンで用件を完了し規約遵守率も高かった一方、2.1-mini は既定設定のままだとツール実行の成功率がタスクによって30〜37%まで落ちたと報告されています。安いからminiで、と決め打ちしない
●遅延の数字は体感と別物。同じ検証では応答の遅れは各モデル1.3〜1.8秒程度でほぼ横並びでした。25%短縮は「遅くなる時の落ち込みが減る」という改善で、平均が劇的に速くなるという話ではありません
●通話は個人情報です。録音・文字起こし・外部APIへの送信について、社内のルールと顧客への案内（冒頭の録音アナウンスなど）を先に整える
●料金は通話時間で効いてくる。音声の入出力にかかる単価が公開されているので、想定の通話時間と件数で月額を試算してから本番に載せる