GPT-Live-1対Grok Voice Think Fast 2.0：逆方向の価格動向を示す2つの音声API

この対戦について最も役立つ事実は、数字ではなく方向性だ。2026年7月下旬にxAIがGrok Voice Think Fast 2.0をリリースしたとき、1分あたりの音声料金を60%引き上げ、Think Fast 1.0が請求していた0.05ドルから0.08ドルにした。6週間後の2026年9月10日、OpenAIはGPT-Live-1を、xAIがちょうど手放したのとまったく同じ価格で開発者APIに投入した。これにより、主要な全二重音声API2つを価格で直接比較できるという珍しい状況が生まれ、しかも新規参入者のほうが安い — 一方で、より古く高価なモデルのほうには第三者のベンチマークスコアという裏付けがある。

台帳、あらゆるベンチマークの前に

これらはどちらも、電話型のワークロード向けに作られた音声対音声モデルです。顧客とのライブ会話、割り込み、ツール呼び出し、そして分単位で測られる請求。それを超えると、両者は急速に大きく異なります。

• 音声1分あたりの料金 — GPT-Live-1 $0.05 対 Grok Voice Think Fast 2.0 $0.08

• 課金単位 — GPT-Live-1 は秒単位で課金され、次の整数分に切り上げられることはありません。Gr​ok Voice Think Fast 2.0 は音声1分単位の価格設定で、1時間あたりおよそ $4.80 になります

• リリース — GPT-Live-1 は 2026年7月8日に ChatGPT 内で提供開始され、2026年9月10日に API で利用可能になりました。Gr​ok Voice Think Fast 2.0 は 2026年7月29～30日頃に発表され、Think Fast 1.0 からおよそ3か月後でした。

• エンドポイント — GPT-Live-1 は Live Sessions のみで、v1/live/sessions にて、WebRTC 経由です。Gr​ok Voice Think Fast 2.0 は、x​AI の Speech-to-Speech API 上で、WebSocket と WebRTC の両方を介して動作します。

• ツールサーフェス — GPT-Live-1 は Responses API を通じてバックエンドの推論モデルに処理を委譲する。一方、Gr​ok Voice Think Fast 2.0 では、セッション内でウェブ検索、X 検索、ファイル検索、MCP サーバー、クライアント側関数を利用できる

• 音声のポータビリティ — GPT-Live-1はOpe​nAIのリマスターされた12種類の音声セットを使用し、Gr​ok Voice Think Fast 2.0は組み込み音声とカスタム音声をサポートします

WebSocket回線は見た目より小さく、本来あるべき以上に重要です。電話インフラの大部分 — ほとんどのCPaaS製品内部のメディアストリーム配管 — はWebRTCではなくWebSocketで通信します。Gr​ok Voice Think Fast 2.0はそのインフラが存在する場所でそれに対応します。GPT-Live-1は対応しておらず、WebSocket専用の通話パスからWebRTCに到達するには、設定フラグではなく本格的なエンジニアリングが必要です。

ベンチマークの非対称性こそが本当の話だ

ここが、比較が互角でなくなる地点であり、ほとんどの記事が両方の数値群を同じ種類の証拠として扱うことでそれを逆にとらえている地点でもある。

Gr​ok Voice Think Fast 2.0の主要スコアは、Artificial AnalysisのSpeech-to-Speech Quality Indexに由来します。これは第三者の測定で、同モデルを82.9%と評価しており、バージョン1.0の75.7%から上昇し、GPT-Realtime-2.1の79.1%とGemini 3.1 Flashの69.5%を上回っています。x​AIはまた、エージェント行動に関するτ-voice Benchで56.5%で首位を報告しており、GPT-Realtime-2.1の45.7%を上回っています。これらはx​AIのモデルに対する、外部で実施された測定です。

GPT-Live-1の主要スコアはOpenAI自身のものです。同社は、GPT-Realtime-2.1の45.4%に対して80.1%の全二重インタラクティブ性、ターン交代遅延を1.4秒から0.8秒への短縮、ツール呼び出し精度を60%から87%への向上を報告しています。これらの数値はすべてベンダーによる報告であり、独立したラボによって再現されておらず、競合他社ではなくOpenAI自身の以前のモデルとOpenAIの新モデルを比較したものです。

それは数値を退ける理由にはならない — 進む方向性は初期導入者が報告している内容と一致している — しかし、それは現在利用できる唯一のベンダー間比較が、独立して実施されたテストにおいて x​AI のモデルを有利にしていることを意味する。一方、Ope​nAI のレイテンシ優位性について入手できる唯一の数値は Ope​nAI 自身のものである。0.8秒と0.70秒を本当の勝負として扱ってはならない。その二つの数値のうち、結果に利害関係のない人物によって測定されたのは一方だけである。

エイリアスの罠、そして値上げが人々の不意を突いた理由

60%の値上げは、x​AIがそれをエイリアス経由でもロールアウトしていなければ、ほとんどのリリースノートでは丸め誤差にすぎなかっただろう。grok-voice-latest エイリアスを参照しているアプリケーションは、明示的に grok-voice-think-fast-1.0 に固定していない限り、2026年8月5日に新しいモデルと引き上げられた料金の両方を自動的に継承した。これは不満ではなく、理解する価値のある設計判断だ。フローティングエイリアスは無料のアップグレードをもたらすが、同時に断りなくユニットエコノミクスを動かす。

明白な対処法は、見た目ほど強力ではありません。Grok Voice Think Fast 1.0 — 1分0.05ドルのモデルで、2026年4月23日にリリースされた — は現在、xAI自身のモデルリストで非推奨と表示されています。それを固定すれば自動アップグレードから守られますが、恒久的なより安い経路というより時間を稼ぐだけです。非推奨モデルには、いずれ先に廃止日が来るからです。エイリアスのスケジュールではなく、自分のスケジュールで移行を計画しましょう。

料金体系そのものは、数字を確定する前に注意深く読む価値がある。xAIのモデルページにはバージョン別の料金が明示されている — grok-voice-think-fast-2.0は音声1分あたり$0.08、1時間あたり$4.80、さらにテキスト入力あたり$0.004 — 一方、同じページの別のVoice APIカードでは、エージェント価格を「1分あたり$0.05から」と宣伝しており、これは2.0モデルが請求する料金ではなく入口価格だ。容量計画をマーケティング用の数字を基に立てたなら、およそ60%足りない。

Ope​nAIのモデルには、同じ形ではこの問題はない。フロートさせる先が何もないからだ。GPT-Live-1にはモデルIDがちょうど1つしかなく、それはgpt-live-1であり、それ自体がデフォルトのスナップショットでもある。ピン留めできる日付付きのバリアントはなく、したがってモデルや価格を黙って変更し得るエイリアスもない。その代償として、既知の良好な挙動を固定して、新しい何かが定着する間それに乗り続けることもできない。

どちらのモデルも、推論層を音声層とは別に課金する。ここでヘッドライン料金が総コストではなくなる。GPT-Live-1 の委任された Responses 呼び出しは、構成済みバックエンドモデルの通常のトークン単位料金で課金される。xAI は、1分あたりの音声料金に加えて、音声セッションでのテキスト入力1件あたり $0.004、ツール呼び出し、必要な場合のプロビジョニング済み電話番号（1分あたり約 $0.01）、テレフォニーとストレージを加算する。主に聞き役で時々何かを調べる音声エージェントは、ヘッドライン料金に近い水準で推移する。毎ターン必ずツールを叩くエージェントはそうならない。しかも両者は同じ方向に乖離するわけではない。なぜなら、委譲バックエンド型の設計とセッション内ツール型の設計では、トークンを消費する場所が異なるからだ。

当社側で分単位の料金変更を注意深く監視する価値があるのは、OrcaRouter がプロバイダーの定価をマークアップなしでそのまま反映しているからです。ベンダーが公表料金を変更すると、当社側の数字は次の契約サイクル時ではなく当日に動きます。

委譲の分割がエンジニアリングにもたらすコスト

価格ではなくアーキテクチャでこの2つのどちらかを選ぶなら、決め手となる問いは「シームがどこにあるか」です。

x​AIのモデルはツールをセッション内に保持する。そのほうが推論しやすい——1つの接続、1つの会話、関数呼び出しが起きる1つの場所——であり、モデルは文の途中で検索が必要だと判断し、待っている間も話し続けられるということでもある。

OpenAIのモデルはその作業を外部に押し出します。音声レイヤーは会話を維持し、Responses APIを通じてタスクを別の推論モデルに渡します。つまり、ツール定義、検索、ビジネスロジックは、セッションイベントストリーム内ではなく、通常のテキストモデル統合に存在します。可動部分は増えますが、よりポータブルでもあります。委任された部分は通常のAPI呼び出しであり、音声レイヤーとは独立して交換、価格設定、フェイルオーバーが可能です。

それが重要なのは、ただ一つの理由からだ。GPT-Live-1 も Gr​ok Voice Think Fast 2.0 も、自社ベンダー以外の誰かが提供しているわけではない。どちらも単一ソースであり、ルーターは音声の側では役に立たない。ルーターにできるのは、実際に選べる側の半分を集約することだ。GPT-5.6 Terra は、Ope​nAI 自身の委任の例におけるバックエンドであり、OrcaRouter を通じて入力100万トークンあたり $2.00、出力100万トークンあたり $12.00で利用でき、/v1/chat/completions と /v1/responses の両方が公開されており、さらに1つのキーで約190の他のモデルとともに利用できる。音声エージェントがターンごとに推論モデルを呼び出すなら、そこがルーティングのてこの効く費目だ。

ワークロード別に見た評決

• 分あたりの価格が制約である場合、通話パスがすでにWebRTCに対応している場合、または音声の背後にある推論エンジンをセッションの固定部分ではなく差し替え可能なテキストモデルにしたい場合は、GPT-Live-1を選びましょう。

• 導入を決める前に独立して検証された品質を確認できる状態が必要なら、テレフォニー・スタックが WebSocket ネイティブであるなら、またはセッション内ツール——特に X 検索——が付随的なものではなく製品の中核であるなら、Grok Voice Think Fast 2.0 を選びましょう。

• すでに x​AI を使っているなら、エイリアスに注意してください。バージョン付きのモデル ID を固定することが、次に自動でレートが変更されるときからあなたを守る唯一の手段であり、浮動エイリアスが現れるあらゆる場所で同じ規律を適用する価値があります。

居心地の悪い要約はこうだ。安い方のモデルには第三者の裏付けがなく、よりドキュメントが充実している方のモデルは、ちょうど60％値上がりしたばかりだ。構築の初期段階にいて、どちらの統合もまだ確定していないのであれば、最もリスクの低い動きは両方に対してプロトタイプを作ることだ — 音声経路はどちらでも数百行で済む — そして自分たちの文字起こし品質で判断することだ。なぜなら、公開されている証拠だけでは現時点で決着がつかないからだ。