GPT-Live-1 vs Gemini 3.5 Live Translate：出荷済みの汎用モデル 対 プレビュー版の専門特化モデル

これら2つのモデルが比較されるのは、どちらもAPIでリアルタイム音声を扱うからだが、モデルカードを読んだ瞬間にその比較は崩れる。GPT-Live-1は汎用の全二重音声モデルで、OpenAIが2026年9月10日に開発者APIへ移した。それは7月8日にChatGPT内で提供開始されてから3か月後のことだった。Gemini 3.5 Live Translateは、Google DeepMindが2026年6月9日にリリースした単一用途の音声対音声翻訳モデルで、そのモデルIDには今も preview という語が含まれている。このうち一方は、公開された料金のもとで今日から有料顧客の前に出せる。もう一方は、Googleが非推奨通知なしに勝手に変更できる。選定を決めるべきなのは、ベンチマーク表ではなく、その非対称性だ。

二つの異なる機械が同じラベルをまとっている

これらがほとんど重なっていないという点については、率直に言っておく価値がある。Gem​ini 3.5 Live Translateは翻訳を行う。ある言語のストリーミング音声を取り込み、別の言語のストリーミング音声を返す。話者の声とトーンを保ちながら、70以上の言語、2,000を超える言語ペアに対応し、自動言語検出と双方向動作を備える。会話をしたり、関数を呼び出したり、質問に答えたりすることはない。それは同時通訳エンジンである。

GPT-Live-1 は正反対の形をしている。これは会話型モデルであり、聞きながら同時に話し、聞き続けるか、一時停止するか、割り込むか、ツールを呼び出すかを毎秒何度も判断し、ウェブ検索、より深い推論、エージェント的タスクといった重い作業を、会話が続く間に Responses API を通じて別の推論モデルに引き渡す。Ope​nAI 自身が公開している WebRTC の例では、その委任先は GPT-5.6 Terra に結線されている。翻訳はそれができることの一つにすぎず、逆方向において Goo​gle のモデルが何らか相当するものを持つ機能ではない。

つまり、実用的な問いは、見出しの対決が示唆するよりも狭い。もしあなたが作っているのが通訳なら、Googleのモデルは専用設計で、OpenAIのものは汎用だ。もしあなたが作っているのがときどき翻訳する音声エージェントなら、GPT-Live-1だけが、この2つのうちでそもそも正しい製品カテゴリーに当てはまる唯一のものだ。

それぞれの音声1分あたりのコスト

ここが専門家の真価を発揮する場面であり、その計算はOpenAIにとって実に厄介だ。

• GPT-Live-1 — 音声1分あたり$0.05。次の1分単位に切り上げるのではなく、秒単位で課金されます。委任されたバックエンドによる推論とツール呼び出しは、そのモデルの通常料金で別途課金されます。

• Gem​ini 3.5 Live Translate — 音声入力トークン100万個あたり$3.50、音声出力トークン100万個あたり$21.00で、課金は音声1秒あたり25トークンで計算されます。合計すると、翻訳音声1分あたりおよそ$0.037になります。

純粋な翻訳時間で見ると、Google は約4分の1安い。これは大規模では丸め誤差ではない。月1万通訳分は、GPT-Live-1 の音声レイヤーでは約500ドルかかるのに対し、Gemini 3.5 Live Translate ではおよそ368ドルだ。そして、この差は課金単位の変更による人為的なものではなく実在する。というのも、この2つのモデルは本当に異なる単位で課金しているからだ。

逆方向にも落とし穴がある。GPT-Live-1の$0.05という宣伝価格は、音声レイヤーだけの価格だ。エージェントが翻訳に加えて何かを調べたり、難しい文を推論モデルにエスカレーションしたりすると、その委譲分を上乗せで支払うことになる。しかも委譲先のモデルは、他のフロンティアモデルと同様にトークン単位で課金される。翻訳だけのワークロードではそれが発生しない。翻訳＋何かのワークロードでは発生し、分あたりの比較での勝者は自明でなくなる。

プレビューラベルこそ、誰も価格に織り込まないリスクだ

Gemini 3.5 Live Translate のモデル ID は gemini-3.5-live-translate-preview です。これは Gemini Live API と Google AI Studio にパブリック プレビューとして提供され、同時に Android および iOS の Google Translate アプリにも、そして一部の Workspace 顧客向けに Google Meet でのプライベート プレビューとしても提供されました。プレビューとは、Google でこれまで常に意味してきたとおりです。つまり、安定性の保証はなく、公表された非推奨期間もなく、支払っている料金が次のリリースでも維持されるという約束もありません。

消費者向けアプリなら、それで問題ない。このモデルが実際に狙っているワークロード——コールセンターでのライブ通訳、会議製品、旅行製品——にとっては、スタック内で最大の統合リスクだ。あなたは、Googleが明示的にコミットしていないモデルに、本番環境の依存関係を築こうとしている。

GPT-Live-1 には逆の問題があり、それはより小さいが、ゼロではない。一般提供されており、公開された料金で、文書化されたエンドポイントがあり、なくなることはない。しかし、その API サーフェスは狭く、既存の OpenAI 統合にそのまま組み込めると考えるチームを驚かせる。モデル ID はちょうど 1 つ、エンドポイントも 1 つで、Chat Completions、Responses、Realtime、Batch、Assistants、ファインチューニングを通る経路はない。唯一の入口は、WebRTC 経由の v1/live/sessions にある Live Sessions エンドポイントで、イベント処理はデータチャネル上で行う。これはパラメータの変更ではなく、新しい統合である。

言語、そしてジェネラリストが正直に弱いところ

Goo​gleの対応言語数は、音声とトーンの保持を備えた70以上です。Ope​nAI自身のドキュメントは、自社の対応範囲について著しく自信が乏しく、ローンチ資料は、特定の言語ではモデルが非ネイティブのアクセントを帯びたり、流暢さに欠ける部分があったりする可能性があると述べており、Goo​gleに対抗しうる言語数は公表していません。

それはベンダーが煮え切らない態度を取っているのではなく、その問題に特化して訓練された専門家と並べたときの汎用会話モデルの姿なのだ。もしあなたの製品の価値提案が「我々は40言語をうまく解釈します」であるなら、専門家が正直な選択であり、汎用モデルはロングテールであなたを困らせるだろう。もしあなたの製品が、翻訳機能を後付けした英語圏市場向けの音声エージェントであるなら、汎用モデルの言語のギャップが問題になることは決してないだろう。

両モデルとも生成音声にSynthIDでウォーターマークを付与しており、合成音声の来歴を要求する法域や顧客契約の下にある場合には重要だ。その点は互角だ。

委譲アーキテクチャがビルドを変える箇所

これら二つの構造上の違いは、GPT-Live-1が実際には中央に継ぎ目を持つ二つのモデルだという点にある。音声レイヤーが会話を途切れさせずに保ち、別個の推論モデルが思考を担う。その継ぎ目こそがエンジニアリングの労力を注ぐ場所であり、またコストモデルが複雑になる場所でもある。

委任される側が、他のモデルと同じようにルーティングできる通常のテキストモデルであることは知っておく価値があります。OpenAI自身の例におけるバックエンドであるGPT-5.6 Terraは、OrcaRouterを通じて100万入力トークンあたり$2.00、100万出力トークンあたり$12.00で提供され、100万トークンのコンテキストウィンドウを持ち、/v1/chat/completionsと/v1/responsesの両方が公開されています。音声エージェントの背後にある推論エンジンを差し替えたい場合——単純な通話ではより安価なモデルに、エスカレーションではより強力なモデルに——スタックのその半分には選択肢があります。なぜなら、それは1つのキーで約190の他のモデルと並ぶ通常のAPI呼び出しだからです。

音声の側はそうではない。GPT-Live-1 は OrcaRouter にはなく、Gem​ini 3.5 Live Translate も同様だ。どちらもそれを作ったベンダーからしか入手できない。このようなアーキテクチャでルーターがその地位を得るのは、音声より下流のすべて、つまり検索、要約、CRM への書き戻し、エスカレーションを行うテキストモデルであり、これは実際に 1 つのキーと 1 つの請求書に統合できる請求額の半分である。

実際に何を選ぶべきか

• 翻訳そのものが製品で、契約の安定性よりも1分あたりの価格が重要で、プレビューモデルが足元で変わることを許容できるなら、Gem​ini 3.5 Live Translate を選ぼう。1分あたりおよそ$0.037を予算計上し、通話の上に抽象化レイヤーを置いて、GAモデルが書き直しなしに置き換えられるようにしておこう。

• 翻訳がついでにできる会話エージェントが必要な場合、音声ループ内での関数呼び出しとツール使用が必要な場合、あるいは調達チームがモデルの提供終了時にどうなるのかと尋ねてきて、「おそらく何も起きません」よりましな答えを求められる場合は、GPT-Live-1を選びましょう。

• どちらか一方がベンチマークで勝ったからといって、それを選んではいけません。両者のベンチマークは比較できるものではありません — OpenAIの全二重の数値は同社独自のもので、第三者による再現は一切なく、Googleの言語に関する主張も、同じ音声セット上で汎用モデルに対して検証されたものではありません。

先を見据えた注記を1つ。この2つのサーフェスは衝突するのではなく、収束しつつある。Googleの翻訳モデルはすでにGemini Liveの中にあり、GPT-Live-1の音声レイヤーは、新しいフロンティアモデルをその背後に差し込めるよう明示的に設計されている。妥当な予想は、2、3回のリリースサイクルのうちに、汎用型の翻訳が改善し、専門特化型の統合の見通しが賭けではなくなっていくというものだ。今日作っていて判断が僅差なら、それはより安価で置き換えやすい選択肢を選ぶ根拠になり、いずれにせよ音声パスをインターフェースの背後に分離しておく根拠にもなる。