
Realtime 1 対 GPT Live 1:5セント対1セント、そして誰もまだ検証できない主張
- GoogleNEWGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 100万トークンあたり · 90 tok/s
- AnthropicNEWAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 100万トークンあたり · 97 tok/s
- orcaNEWOrca: OrcaC2 1.02026-11-0711 tok/s
- OrcaNEWOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 100万トークンあたり · 87 tok/s
- OrcaNEWOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 100万トークンあたり · 134 tok/s
- OrcaNEWOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$4.00 / $20.00 100万トークンあたり · 86 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 100万トークンあたり · 124 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 100万トークンあたり · 67 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 91 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 100万トークンあたり · 43 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447知能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 100万トークンあたり · 192 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929知能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 100万トークンあたり · 130 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733知能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740知能
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 100万トークンあたり · 135 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955知能
- anthropicAnthropic: Claude Sonnet 5.52026-09-2855知能
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 100万トークンあたり · 182 tok/s
1分5セント。それがOpenAIがGPT Live 1に課す料金だ——「同時に聞いて話すことができる」全二重音声モデルで、秒単位で課金され切り上げはなく、バックエンドのモデルとツールの使用料は別途請求される。MAI Realtime 1は、Microsoftが2026年11月17日に発表したもので、推論ティアを除けば1分1セント。料金表ではその差は5対1であり、両方を使ったことのあるある人物はインターネット上で、Realtime 1は「GPT Liveモデルに非常に近いと感じた」と語った。この一文はこの対決で最も興味深く、最も検証しにくい。なぜなら、それを決着させる方法はただ一つしかなく、そのテストを実行した独立した第三者は存在しないからだ。
だからこれは1つではなく、2つの問いとして扱おう。1分1セントのモデルは5倍劣るのか? そしてGPT Live 1の測定されたプロファイルは、より安価なモデルが匹敵しなければならないものとして、実際に何をもたらすのか? 2番目には答えがある。1番目には、まだない。
アーキテクチャは同じ形状ではありません
GPT Live 1 は異例であり、そのドキュメントにも明記されています。これは全二重モデルであり、交互にターンを取るのではなく、同時に聞き取りと発話を行います。また、推論自体を実行しようとはしません。「推論とツール作業をバックエンドエージェントに引き渡す」もので、v1/live/sessions を通じてのみアクセスでき、Chat Completions、Responses、Realtime エンドポイントはサポートしません。音声とテキストの入出力に対応し、ストリーミングと関数呼び出しをサポートしますが、画像や動画は受け付けません。
• GPT Live 1 — 全二重フロントエンドで、推論は接続する任意のバックエンドエージェントに委任されます。同時セッション上限は Build で50、Launch で300、Grow で500です。無料枠はありません。
• MAI Realtime 1 — 高速パスと内部推論層を備えた音声対音声。Microsoft は入力100万トークンあたり1.00ドル、出力100万トークンあたり5.00ドルで請求します。会話側では音声1分単位で請求されます。プレビュー版はパブリックプレビューまで請求されません。
どちらも事実上、2つの部分からなるシステムです。違いは、2つ目の部分を誰が所有するかです。GPT Live 1 では、それは明示的にあなたのものです。バックエンドエージェントを選び、そのトークンは別途支払い、継ぎ目も見えます。MAI Realtime 1 では、ハンドオフは製品と料金ページの内部にあり、ルーティングの判断はあなたが設定するものではありません。
その一つの設計上の違いが、価格差の大半を説明する。OpenAIは非常に優れた「耳」と「口」に対して1分0.05ドルを課金している。Microsoftはそこそこの「耳」と「口」に加えて内部ディスパッチャーを備えたものを1分0.01ドルで提供し、「考える」部分はトークン計量で収益化している。
GPT Live 1の測定値が実際に示すもの
GPT Live 1がArtificial Analysisの音声対音声ボードに2回掲載されているのは、接続するバックエンドエージェントによって結果が変わるためです:
• 音声対音声インデックス — Astraクラスのバックエンドをmediumで使うと83.2、Solクラスのバックエンドをlowで使うと80.1。両者はGemini 3.8 Liveの74.5を上回り、Eleven Realtime Maxの77.3を大きく上回るため、GPT Live 1はこの比較セットの中で最もインデックスの高いモデルになります。
• 音声推論(Big Bench Audio)— それぞれ90.1%と89.0%。首位ではありません — Eleven Realtime Maxは98.8%を記録 — しかし十分に競争力があります。
• 会話のダイナミクス — 94.9% と 97.3%。Sol構成のバリアントは、このセット内で最高のダイナミクススコアであり、これは「会話していて気持ちがいい」に対応する数値です。
• エージェント型タスク完了(τ-Voice)— 74.5% と 59.3%。どちらも Gemini 3.8 Live の 30.1% を大きく上回っており、これは設計上の前提が有能なバックエンドに作業を任せることであるモデルから期待される結果です。
• Arena Elo — 1027と1037。
• タスク成功率 — 87.4%および90.9%。
• 最初の音声までの時間 — 1.34秒と1.24秒。Eleven Realtime Maxの0.57秒より遅く、Gemini 3.8 Liveの1.18秒よりも遅い。ただし全二重設計では、体感上の待ち時間は測定値と同じものではない。考えながら相づちを打つモデルは、停止したようには感じられない。
• ブレンドコスト — Artificial Analysis の正規化に基づくと1時間あたり5.83ドルと4.47ドルで、これは音声回線だけで1時間3.00ドルになる0.05ドル/分の料金表に対するものです。高い方の数値にはバックエンドのトークン消費が含まれており、推論を委任するモデルを読むための正直な方法です。
これらの数値から2つのことが導かれる。第一に、設定はモデルと同じくらい重要だ。同じ GPT Live 1 でも、どのバックエンドを指定するかによって 83.2 または 80.1 を記録し、エージェントタスクでは 74.5% または 59.3% となる。どのバックエンドを使ったか明記せずに1つの数値だけを引用したレビューは、ほとんど何も伝えていない。第二に、ここでのインデックスの首位はアリーナの首位ではない。Gemini 3.8 Live は Elo で勝ち、GPT Live 1 はインデックスで勝つ。これらは別のものを測っており、どちらもあなたのワークロードの代理指標にはならない。

検証するに値する主張と、それを検証するのにかかるコスト
「GPT Liveモデルにとても近いと感じた」。額面通りに受け取れば、それはMAI Realtime 1について誰かが語った中で最も強い言葉であり、しかもそれを言った人物には、公開された方法論も録音もタスクセットもない。公平に言えば、これもまた、音声モデルに関する初期の印象のほとんどが届く形そのものでもある——全二重の会話は採点するのが難しく、感じ取るのは容易い。だからこそ、このアリーナはそもそも存在するのだ。
問題は、その主張が半分しか検証できないことだ。MicrosoftはMAI Realtime 1について、モデルページで精度の数値を1つだけ公開している。Big Bench Audioでの98.8%という数字で、ベンダーが自ら実行したものであり、再現されていない。それに加えて、P50 time-to-first-audioのカードと「P50 Latency on BigBench Audio」というキャプションも掲載している。τ-Voiceのスコア、レイテンシ分布、言語リストは公開していない。Artificial Analysisは11月18日時点でMAI Realtime 1を取り扱っていないため、その98.8%をGPT Live 1の90.1%と並べて比べる独立した測定値は存在しない。一方はベンダー自身の評価で、もう一方は第三者による評価だ。Microsoft自身の比較主張はGPT Realtime 2.1を名指ししているが、これはGPT Live 1とは別のモデルで、価格構造もまったく異なる。しかもその比較でさえ、数値ではなくフロンティア上の位置として公開されている。
つまり、その主張の有用な形は判定ではなく検証計画だ。実行すべきは4つ、いずれもプレビューが無課金のうちは安上がりだ:
• 連続会話 — 同じ20件の録音通話を両方のモデルに通し、ブラインドで採点。「近いと感じる」かを試せる唯一の方法であり、それは元の主張が飛ばしたテストだ。
• 重複下の中断 — GPT Live 1の全二重設計により、同時に話すことと聞くことが可能です。Realtime 1が実際に同時発話を処理できるのか、それとも単にクリーンな中断を処理するだけなのかをテストしてください。これらは異なる能力であり、デモで示されるのはそのうち一方だけです。
• エスカレーション遅延 — Realtime 1 がターンをその推論エンジンに引き渡す瞬間の間を測定する。Microsoft の主張は「気まずい沈黙なし」だが、これは数字の伴わないレイテンシ主張である。
• 完了した通話1件あたりのコスト — 1分あたりではない。1分あたりのコストが5分の1で、リクエストを解決するのにさらに2ターン必要なモデルは、価格が5分の1なのではない。これこそが対決を決める指標であり、どちらのベンダーも公表していない。
5セントがどこへ行くのか
GPT Live 1の1分あたり4セントの追加料金が何の価値ももたらさないなら、これは判断の対象ではない。しかし、それは具体的な何かをもたらす。測定された74.5%のエージェントスコア対測定されていない主張、そして、ターン制とは別の能力であってその改良版ではない全二重アーキテクチャだ。
料率以外であなたが負担するのは、制御と周辺の仕組みです。GPT Live 1では、バックエンドエージェントを自分で用意して費用を支払う必要があります。これは実際の作業と実際の請求を伴いますが、その設定がスコアを変える理由でもあります。推論モデルはあなたが選び、トークン消費もあなたが見え、何をエスカレーションするかもあなたが決めます。MAI Realtime 1はその判断を製品内部で行い、そのために100万トークンあたり$1.00と$5.00を請求しますが、それがどれくらいの頻度で起きるかは教えてくれません。
そのトレードオフ、つまり可視性と利便性のせめぎ合いこそが、ゲートウェイが存在価値を発揮する点です。どちらのモデルも最終的には推論モデルを呼び出します。GPT Live 1 は設計上、MAI Realtime 1 は内部的にそうしており、その推論レイヤーこそが OrcaRouter のルーティング対象です: 単一のキーの背後に、プロバイダー定価・0% マークアップで 200 以上のモデル。そのため、GPT Live 1 の構成を決めるバックエンドは、新たな契約なしで差し替え可能で、自動フェイルオーバーにより、停止した推論呼び出しが文中で無音になることはありません。 モデルフュージョンも、ここで知っておく価値のあるもう一つの手段です — 難しいターンが高コストになる音声エージェントにとって、エスカレーションされた経路でパネルが協調して回答することは、必要な場面で精度を買う方法であり、毎ターンそのコストを払わずに済みます。
対応範囲を正確に言うと、GPT Live 1もMAI Realtime 1もOrcaRouterのカタログにはありません。GPT Live 1はOpenAI自身のv1/live/sessionsエンドポイントであり、MAI Realtime 1はMAI LabsとFoundryの限定アクセスプレビューです。当社が取り扱っているのは、それらの背後にあるものです。
スケジュールを左右する統合の詳細
GPT Live 1は統合がより厄介で、ドキュメントはより充実しています。専用のv1/live/sessionsエンドポイントは、Realtime API向けに構築したものが一切引き継がれないことを意味します。これは新しいセッションモデルであり、Chat Completions、Responses、Realtimeをサポートしないことがドキュメントの最初に書かれているのには理由があります。レート制限はトークンではなく同時セッション数でカウントされるため、容量計画はまったく別の作業になります。Buildで同時50、Launchで300、Growで500、無料枠はありません。
MAI Realtime 1 は正反対です。OpenAI Realtime API 互換のインターフェースであり、これがマイクロソフトの発表の中で最も有用な一文です。既存のスタックがすでにそのプロトコルに対応していれば、評価に必要なのはモデル文字列とベース URL だけです。難点はインターフェースの周辺すべてにあります。言語リストも、レイテンシ分布も、τ-Voice スコアも、GA 日もなく、MAI Labs の2分間のデモは、私たちが確認した時点で「MAI Realtime is unavailable right now」と表示していました。
つまり、タイムラインの非対称性は現実だ。GPT Live 1 は、公開ドキュメントと本番エンドポイントに対して今週統合できる。MAI Realtime 1 は、把握している互換性に対してプロトタイプを作り、その後、まさに未完成だからこそ無料のプレビューを待つことになる。

評決を賭けとして述べると
音声体験そのものが製品で、自分で制御できるバックエンドを求めるなら、GPT Live 1を選んでください。同クラスで最高の音声対音声インデックスを持ち、Solクラスのバックエンドによる会話ダイナミクスは最高で、エージェントスコアは比較対象の非OpenAIモデルのうちPhonic 1とGrok Voice 3.0を除くすべてを上回り、ドキュメントにはできることが正確に示されています。1分5セントは現実的な数字であり、予測可能です。
経済性が制約であり、調達ではなく測定に費やすエンジニアリング時間があるなら、MAI Realtime 1に賭けるべきだ。1分あたり1セント、未課金のプレビュー、OpenAI互換インターフェースは、Microsoftの2層設計がアプリケーション側の設計を上回るかどうかを確かめるための最も安価な方法だ。あなたが受け入れることになるのは、レイテンシ分布、τ-Voiceの数値、言語リストを自分で作るのはあなたになるということだ。Microsoftはそれらを一切公開していないからだ。そして、唯一の精度数値であるBig Bench Audioでの98.8%は、ベンダーから何の裏付けもなく示されている。
やってはいけない唯一のことは、「非常に近いと感じる」という主張を結果であるかのように繰り返すことだ。それは本当かもしれない。そう言った人はおそらく正しいだろうし、もしそうなら、この比較は興味深くなくなる。なぜなら、ユーザーにとって最も重要な軸では、より安いモデルの方が優れていることになるからだ。しかし、午後ひとときの感覚はタスク完了率ではないし、それを決着させる数字——各モデルが実際に現実の呼び出しのどれだけの割合を完了するか——は、どちらのベンダーも公表していない唯一の数字だ。

この記事で比較したモデル1
この記事から検出 · ベンチマーク:Artificial Analysis · 毎日更新
