音声AI・全二重エージェント コスト計算機
1〜30分のマルチターン通話コスト(gpt-live-1 vs gpt-realtime-2.1 価格逆転・Gemini 3.8 Live・Vapi/Retell・PersonaPlex-7B)と非アップロード音声バッチ費用を精算。
10 min
ネイティブ全二重定額層
$0.07/min
OpenAI gpt-live-1 · $0.72/call · $1,450.00/mo
ターン課金型 VAD 割増コスト
$0.23/min3.2× gpt-live-1
gpt-realtime-2.1 · 38 turns · 73% cache
価格逆転アラート:高頻度対話下ではターン制 gpt-realtime-2.1 が $0.23/分 に急騰し、ネイティブ全二重 gpt-live-1 ($0.07/分) の数倍になります(Gemini 3.8 Live は $0.15/分)。遅延シミュレーターで体感比較 →
1〜30分 累積通話コスト推移 ($ / 通話)
会話履歴再スキャン課金と定額・セルフホストGPUの比較| 音声AI構成 / API | 二重方式 | 実効 $/分 | 10分 通話計 | 月額合計 | ツール |
|---|---|---|---|---|---|
Self-Host Whisper-v3-Turbo + CosyVoice3 (RTX 4090) Pulsed batching shares GPU slots during silence — 4× higher concurrency than full-duplex | Self-Hosted Open-Weight | $0.0003/m | $0.0027 | $5.36 | VRAM |
Self-Host PersonaPlex-7B (INT4 on RTX 4090) True 12.5Hz full-duplex on 1× 24GB GPU (hard-capped at 4 BF16 / 10 INT4 persistent streams; zero marginal token cost) | Tier 1 · Native Full-Duplex | $0.0011/m | $0.01 | $21.43 | VRAM |
LiveKit Cloud + Groq Whisper + Self-Host TTS Semantic EOU agent SDK + ultra-cheap ASR + self-hosted CosyVoice3 / Kokoro | Tier 3 · VAD Barge-in Half-Duplex | $0.02/m | $0.21 | $422.44 | VRAM |
OpenAI gpt-live-1 $0.05/min flat wall-clock audio frontend + delegated text tokens; immune to open-mic silence & barge-in waste | Tier 1 · Native Full-Duplex | $0.07/m | $0.72 | $1,450.00 | API |
OpenAI gpt-realtime-2.1-mini Compact realtime S2S tier; still incurs turn-rescan & unplayed barge-in waste | Tier 3 · VAD Barge-in Half-Duplex | $0.08/m | $0.75 | $1,505.60 | API |
Retell + Deepgram + Cartesia Sonic 2 Managed telephony + 90ms Cartesia streaming TTS + lightweight LLM | Tier 3 · VAD Barge-in Half-Duplex | $0.10/m | $0.98 | $1,963.56 | API |
Vapi + Deepgram Nova-3 + ElevenLabs Flash Turnkey WebRTC voice orchestration + ElevenLabs Flash TTS + GPT-6.1 Terra | Tier 3 · VAD Barge-in Half-Duplex | $0.11/m | $1.07 | $2,148.67 | API |
Google Gemini 3.8 Live 25 tok/s (1,500 tok/min) continuous open-mic stream + uncached turn-by-turn context rescanning | Tier 2 · Hybrid Quasi-Duplex | $0.15/m | $1.50 | $2,996.55 | API |
OpenAI gpt-realtime-2.1 Turn-based server_vad: high interruption splits turns + item.truncate breaks prefix cache ($64/1M out) | Tier 3 · VAD Barge-in Half-Duplex | $0.23/m | $2.33 | $4,659.20 | API |
音声AIコスト計算 FAQ
なぜ gpt-realtime-2.1 の方が gpt-live-1 より高くなるのですか?
割り込みでターンが細分化され過去の音声トークンを繰り返し入力処理するため、定額$0.05/分の gpt-live-1 より高額になります。
音声ファイルは外部サーバーに送信されますか?
いいえ。ブラウザの HTMLAudioElement のみで再生時間を取得するため、サーバー送信は一切行われません。
PersonaPlex-7B の同時通話数はなぜ Whisper より少ないのですか?
無音時も毎80ms同期推論を行い、1通話あたり約1.46GBのFP16 KVスライディングウィンドウを専有するためです。
セルフホストに切り替える損益分岐点は?
月間通話量が2〜4万分を超える場合、RTX 4090/L4 上の CosyVoice3 や PersonaPlex で運用するとコストを大幅に削減できます。