GPT-Live-1 対 Inworld Realtime TTS-2：音声の価格競争、聴くことへのプレミアム

Inworld Realtime TTS-2 が一般提供に到達し、音声市場に欠けていたものを実現した。公開された料金表だ。フラッグシップモデルはオンデマンドで100万文字あたり$25、より高速な同シリーズの Inworld Realtime TTS-2 Flash は$15で、どちらもボリュームティアを通じて$12.50と$7まで段階的に下がる。Artificial Analysis のスピーチアリーナで Elo 1,244、2位につけていることを踏まえると、フラッグシップは現在のアリーナ首位のおよそ半額となり、トップ5の音声を購入する最も安価な方法の一つになる。GPT-Live-1 はこの比較におけるもう一方のモデルで、正反対の提案だ — 音声1分あたり$0.05、文字数は関係なく、付随する聞き取り、ターンテイキング、割り込み処理も一緒に購入せずに買う方法はない。

それらを比べて興味深いのは、価格差が膨大に見えるのに、その後ほとんど消えてしまうことだ。Synthesisは価格競争の渦中にある。Conversationはそうではない。

Inworldが実際に出荷したもの

TTS-2シリーズは、2026年5月に研究プレビューとして始まり、ある明確な主張を伴っていた。それは、これは音声を単独で生成するモデルではない、というものだ。会話のそれまでのターンを音声入力として受け取り、トーンと間の取り方について推論し、応答の仕方を調整する。その位置づけ——よりクリーンな音声ではなく、会話への意識——が、2025年を通じてテキスト読み上げを支配していたナレーションエンジンからそれを際立たせた。

一般提供（GA）により、プレビューはファミリーへと発展し、価格表も添えられた。Flashはスループット重視の選択肢であり、Inworldの公表値では、サーバー側のtime-to-first-byteが90パーセンタイルで約20ミリ秒、フラッグシップは100ミリ秒、最初の音声までの中央値は200ミリ秒未満とされている。これらはInworld自身のドキュメントに基づくベンダー公表値だ。出回っている唯一の第三者測定であるCovalによる計測では、Flashは約25ミリ秒、フラッグシップは100ミリ秒台前半とされている。どちらもエンドツーエンドで独立した監査を受けてはいない。

最も注目すべき機能は、レイテンシとは何の関係もない。Inworldは逐語モードを追加した。これにより、注文番号、確認コード、住所、シリアル番号は、自然に聞こえるが間違っている何かに正規化されるのではなく、文字単位で読み戻される。予約を取ったばかりの音声エージェントにとって、この単一のタグは、機能する製品と、人間にエスカレーションされるデモとの分かれ目である。

次元ごとに

• 種類 — GPT-Live-1：単一モデルによる全二重の音声対音声 対 Inworld Realtime TTS-2：テキスト読み上げモデルで、全二重はInworldのRealtime APIを通じて別途利用可能

• 価格単位 — GPT-Live-1：音声1分あたり$0.05、秒単位で課金、推論バックエンドは別途従量課金。対して Inworld Realtime TTS-2：オンデマンドでは100万文字あたり$25、Creatorプランでは$20、最上位ティアでは$12.50、Flashは$15、$10、$7。

• 独立した品質 — GPT-Live-1: Speech to Speech Indexで70.3%、14のうち同率6位 対するInworld Realtime TTS-2: 1,091サンプルからElo 1,244、Artificial Analysis Provider Voice arenaで2位、Flashは1,626サンプルからElo 1,211で6位

• 割り込み — GPT-Live-1: ネイティブで、モデル内部で毎秒何度も決定されるのに対し、Inworld Realtime TTS-2: TTSモデルの特性ではない。InworldのRealtime APIは、Open​AI Realtimeプロトコルを話す単一のソケット上で、約100ミリ秒の割り込みレイテンシでバージインをサポートする

• レイテンシ — GPT-Live-1：OpenAI自身のテストでターンテイキングのレイテンシは0.798秒、初回音声までの時間は未公表。一方、Inworld Realtime TTS-2：90パーセンタイルでサーバー側100ミリ秒、Flashは20ミリ秒、Realtime APIパイプライン全体を通じて最初の音声チャンクまでの中央値は1秒未満

• 言語 — GPT-Live-1：主要言語は十分にカバーされているが、それ以外ではばらつきがあるのに対し、Inworld Realtime TTS-2：200以上のロケール、うち15がTier 1品質、さらに79がTier 2で、それらすべてを通じて1つの声のアイデンティティが保持される

• 音声とクローニング — GPT-Live-1：12種類のプリセット、クローニング非対応 vs Inworld Realtime TTS-2：282種類の内蔵音声、5～15秒の許諾済み音声からのインスタント・ゼロショット・クローニング、プロフェッショナル・クローニングと完全なデリバリー・ステアリングはフラッグシップのみ

• デプロイ — GPT-Live-1：ホスト型のみ、単一エンドポイント、無料枠なし、同時実行数は25～500セッションが上限。一方、Inworld Realtime TTS-2：ホスト型APIに加えて、H100を必要とするアクセス制限付きオンプレミスコンテナ、および最大約70分の音声合成を含む無料オンデマンド枠

両面の疑問に、正確に答える

この比較を「一方は聞き、もう一方は話すだけ」と書くのは簡単だが、それは重大な点で間違っている。Inworld のテキスト読み上げモデルは、テキスト入力・音声出力だ。しかし Inworld は、単一の WebSocket、WebRTC、または SIP 接続を介して動作し、開発者が気にする意味での全二重を実現する Realtime API も提供している。それは、調整可能な eagerness 設定を備えたセマンティック音声アクティビティ検出を採用し、手動のターン制御をサポートし、バージイン時には約 100 ミリ秒で割り込む。OpenAI Realtime インターフェースとプロトコル互換なので、移行は書き直しではなく設定作業で済む。

Inworld の Realtime API は、ネイティブの speech-to-speech モデルではありません。これはカスケードであり、交換可能な音声認識モデル、任意に選べる言語モデル、そして音声合成器が、1 つの接続内でオーケストレーションされています。これは正当なアーキテクチャ上の選択であり、ほとんどの実運用の音声エージェントが採用しているものと同じです。単に、単一のモデルがいつ発言権を譲るかを決める GPT-Live-1 とは異なるものです。

実用的な違いが現れるのは、発話者が節の途中で割り込んだときだ。カスケード方式では、割り込みが検出され、生成がキャンセルされ、新しいターンが始まる——これはうまく機能する流れだが、往復のやり取りが1回分余計にかかる。エンドツーエンドモデルでは、判断はすでに継続的に行われていた。前者は素早く反応するシステム。後者は、聴くことを決してやめなかったシステムだ。

計算してみる、単位が答えを隠しているから

音声はおよそ毎分150語で進み、英語は1語あたり平均約5.5文字なので、1分間の音声出力は約800～900文字になります。100万文字あたり25ドルで、Inworld Realtime TTS-2 は約2セントで1分間の音声を生成します。Flash の15ドルでは、1.5セント未満です。

GPT-Live-1の音声1分あたり0.05ドルと比べると、それは圧勝に見える——GPT-Live-1が行っている残りの部分に値段を付けるまでは。InworldのRealtime APIには依然として音声認識と言語モデルが必要で、どちらも別々に課金され、どちらもそれぞれ独自のレイテンシーを伴う。それらを織り込むと、実際の質問を含む通話では、カスケードの1分あたりコストは5セントを超える。エンドツーエンドモデルの割増分は、音声のためのものではない。それはターンテイキングのためのものであり、もう買わなくて済む音声認識段階とほぼ同じコストだ。

cascadeが決定的に優位に立つのは、会話を伴わない大量処理です。通知通話、配達確認、予約リマインダー、スクリプト化されたIVR — 通話開始前にテキストが確定していて、誰も割り込まないあらゆる用途です。そこでは、100万文字あたり7〜15ドルの文字単位課金は、分単位の双方向通話よりも単純に安く、決して使わないターンテイキングに費用を払うのは無駄です。

二モデル構成という枠組みが隠している中間的な道もあります。どうせカスケードを組むなら、音声レイヤーは専用の音声ベンダーから供給される必要はありません。OpenAI自身のTTSモデルやGoogleのGemini TTSプレビューモデルも通常のAPIエンドポイントであり、ルーティングされています。11社の上流プロバイダーからの190モデルが、プロバイダー定価でマークアップなしの1つのOrcaRouterキーの背後にあり、それによって合成モデルは、それが供給する推論モデルと同じカタログ、同じキー、同じ請求の中に置かれ、デプロイ中に一方のエンドポイントが劣化した場合の自動フェイルオーバーも備えられます。これは音声スタックの中で最も華やかでない段階であり、統合するのが最も容易な段階です。InworldのRealtime TTS-2もGPT-Live-1のLive Sessionsエンドポイントも、そのようには利用できません。それら二つはそれぞれのベンダーに属しています。

どちらを選ぶべきですか

ボリュームが重視され、会話が台本に沿っているなら、Inworld Realtime TTS-2 を選びましょう。高スループットのエージェント、通知、200 のロケールと 1 つの保持された声のアイデンティティが重要な多言語製品、あるいはオンプレミスコンテナを必要とするあらゆるデプロイメントに適しています。アリーナでトップ 2 に入る音声をリーダーのほぼ半額で利用でき、プロトタイプ用の無料枠があり、GPT-Live-1 が一切提供していないクローニングを備え、おそらくすでに運用しているカスケードパターンで割り込みを適切に処理する Realtime API を利用できます。

割り込みが製品そのものであるなら、GPT-Live-1を選びましょう。台本から外れる通話、エージェントに被せて話す発信者、会話とメニューの違いがターンテイキングにあるワークフロー。音声が安くなっても下がらない分単位の料金を支払い、クローニングと200言語を諦め、そしてつなぎ目を取り戻す。

音声合成における価格競争は現実のものであり、音声エージェントを構築する誰にとっても朗報だ——トップ5クラスの音声は、18か月前の5分の1のコストで使えるようになった。ただ、それだけではこの比較の決着はつかない。なぜなら、GPT-Live-1が課金している対象は、Inworldが値引きしている対象ではないからだ。