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
オープン全二重 セルフホスト
$0.0011/min
PersonaPlex-7B INT4 (RTX 4090)VRAM →
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$5.36VRAM
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$21.43VRAM
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$422.44VRAM
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$1,450.00API
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$1,505.60API
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$1,963.56API
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$2,148.67API
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$2,996.55API
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$4,659.20API

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。