4
REALTIME VOICE AI ─ 2026.08.05
同じマイクで比べた
リアルタイム音声AIはどれが自然に喋るのか
2分でわかる比較資料
REALTIME VOICE AI 2026
01 / 16
結論
「噛み合わない」の正体は
モデルではなく、構造の問題
声を一度テキストにしているかどうかで
会話の噛み合い方が決まります
REALTIME VOICE AI 2026
02 / 16
前提
「音声AI」には層がある
音声AIの層
層を分けずに比べると、値段も性能も噛み合いません
REALTIME VOICE AI 2026
03 / 16
測り方
同じ文・同じ声・同じ部屋で流す
同じマイクに全部流す・測る4軸
印象で語らないために、軸を先に4つだけ決めます
REALTIME VOICE AI 2026
04 / 16
発見 01
同じ1分0.017ドルが、2つある
同じ値段のライブ文字起こしが2本
窓口も値段も同じ。違いを書いた資料が見当たりません
REALTIME VOICE AI 2026
05 / 16
一次情報
公式が「自分で測ってほしい」と書いている
OpenAI Realtime transcription 公式ガイド
出典：OpenAI「Realtime transcription」
REALTIME VOICE AI 2026
06 / 16
注意
ライブ文字起こしで取れないもの
✕単語ごとの時刻
✕話者のラベル
✕確からしさの点数
字幕や議事録を作りたいなら、選ぶ層がそもそも違います
REALTIME VOICE AI 2026
07 / 16
核心
なぜ会話が噛み合わないのか
連結型と音声のまま返す型
連結型は3つの待ち時間が積み上がります
REALTIME VOICE AI 2026
08 / 16
選び方
優劣ではなく、何を取るかの問題
連結型が向く
自由度
音声のまま返す型が向く
速さ
頭脳と声を選びたいなら連結型、会話の自然さなら音声のまま
REALTIME VOICE AI 2026
09 / 16
01
公式の数字 01
最初の音が出るまでの時間
Grok Voice Think Fast 1.0 は 1.25秒でした
0.70秒
1秒を切ると、人は「間」を感じなくなります
REALTIME VOICE AI 2026
10 / 16
02
公式の数字 02
会話のやりとり（Full Duplex Bench）
1.0 は 77.8% でした
95.1%
これが割り込んで止められることの裏づけです
REALTIME VOICE AI 2026
11 / 16
一次情報
8月5日、最新版の指す先が変わった
Grok Voice Think Fast 2.0 発表ページ
出典：SpaceXAI「Introducing Grok Voice Think Fast 2.0」
REALTIME VOICE AI 2026
12 / 16
料金
同じ会話に払う額は5倍ちがう
料金の比較
入力単価だけなら10倍。実際は出力の比重が大きい
REALTIME VOICE AI 2026
13 / 16
実測
同じ会話でも、1往復目だけ高い
1往復目
0.17ドル
→
2往復目から
0.03ドル
差はキャッシュ。こまめに再起動するほど高くつきます
REALTIME VOICE AI 2026
14 / 16
判定
声で開発エージェントを動かす仕組みは
Qwen-Audio Realtime 公式ドキュメント
接続先は中国リージョンのみ。日本から組み込むのは現状むずかしい
REALTIME VOICE AI 2026
15 / 16
まとめ
最強を選ぶのではなく、要る層を選ぶ
速さなら音声のまま。
自由度なら連結型。
まず自分の声で、一度測ってみてください
REALTIME VOICE AI 2026
16 / 16
▶ 再生する