【2026年最新】リアルタイム音声会話API料金比較｜OpenAI gpt-realtime・Gemini Live・Deepgram
AIエージェントナビ編集部
はじめに
リアルタイム音声会話APIとは？
リアルタイム音声会話APIとは、「話す→AIが理解→AIが即座に音声で返答」という双方向の音声会話をリアルタイムで実現するAPIです。代表例はOpenAIのRealtime APIとGoogleのGemini Live APIです。
STT・TTSとの違い
音声認識（STT）は音声→テキスト、音声合成（TTS）はテキスト→音声の一方向処理です。リアルタイム音声会話APIは音声⇆AI⇆音声の双方向で、STT・LLM・TTSを一体化した単一のエンドポイントとして低遅延・割り込み（インタラプト）対応も内包します。文字起こしだけが目的なら音声認識（STT）APIのほうが安く済みます。
この表の見方
- LLM込み：「込み」は音声料金にAIの応答生成が含まれる方式、「別途」はLLM料金が加算される方式です
リアルタイム音声会話API料金比較表（2026年9月時点）
※料金はUSD。2026年9月時点の情報です。
| サービス/モデル | 提供元 | 音声入力（/分） | 音声出力（/分） | 1分会話コスト目安 | LLM込み | 無料枠 |
|---|---|---|---|---|---|---|
| Gemini 3.1 Flash Live Preview | $0.005 | $0.018 | 約$0.012 | 込み（Gemini 3.1） | ✓ あり（無料枠） | |
| Gemini 2.5 Flash Native Audio | $0.005 | $0.018 | 約$0.012 | 込み（Gemini 2.5） | ✓ あり（無料枠） | |
| Gemini 3.5 Live Translate Preview | $0.0053 | $0.0315 | 約$0.018 | 込み（翻訳特化） | ✓ あり（無料枠） | |
| Deepgram Voice Agent | Deepgram | $0.075/分〜（Standard） | $0.075〜 | 込み（BYO LLM/TTS選択可） | ✓ あり（$200クレジット・期限なし） | |
| ElevenAgents（旧Conversational AI） | ElevenLabs | $0.080/分（追加分） | $0.080 | 別途（LLM・電話は別課金） | ✓ あり（無料プラン15分/月） | |
| gpt-realtime-2.1-mini | OpenAI | $0.006 | $0.024 | 約$0.015 | 込み（GPT-5クラス） | なし |
| gpt-realtime-2.1 ★最新 | $0.019 | $0.077 | 約$0.048 | 込み（GPT-5クラス） | なし | |
| GPT-Realtime-Translate | — | $0.034/分 | $0.034 | 込み（70言語翻訳） | なし | |
| grok-voice-think-fast-1.0 | xAI | — | $0.05/分 | $0.050 | 別途（Grokモデル） | なし |
| grok-voice-think-fast-2.0 | — | $0.08/分 | $0.080 | 別途（Grokモデル） | なし | |
| Azure Voice Live Pro | Microsoft | $0.019 | $0.077 | 約$0.048 | 込み（gpt-realtime・GPT Realtime 2ほか） | なし |
| Azure Voice Live Standard | $0.007 | $0.026 | 約$0.017 | 込み（gpt-realtime-mini・gpt-5-miniほか） | なし | |
| Azure Voice Live Lite | $0.002 | — | — | 込み（gpt-5-nano・phi4-mm-realtimeほか） | なし | |
※ 1分会話コストはユーザー30秒＋AI30秒の目安。換算＝OpenAI 入力600/出力1,200トークン/分・Gemini 25/秒・Azure 入力10/出力20/秒。
※ GPT-Realtime／1.5は音声料金が2.1と同一で、2027年1月20日削除予定のため掲載終了（提供は継続中）。
※ 文字起こし専用（gpt-live-transcribe等）は音声認識（STT）ページに掲載。
※ grok-voice-think-fast-1.0は公式でDeprecated表示（停止日未告知）。
※ DeepgramはSTT＋LLM＋TTS込みの分単価（年払いGrowthは$0.068／BYO LLM $0.059）。
関連記事：【2026年最新】音声認識（STT）API料金比較｜OpenAI・Google・Deepgram・AssemblyAI
出典：OpenAI 公式料金ページ
出典：Google Gemini API 公式料金ページ
出典：Deepgram 公式料金ページ
出典：ElevenLabs 公式料金ページ
出典：xAI 公式料金ページ
出典：Microsoft Azure Speech 公式料金ページ
用途別おすすめ
コスト最優先・プロトタイプ開発
Gemini 3.1 Flash Live Preview（音声入力$0.005/分・出力$0.018/分）が最安です。無料枠でテストでき、OpenAIの低コスト版gpt-realtime-2.1-mini（約$0.015/分）の約3分の1のコストです。ただしコンテキストウィンドウ課金（過去の会話トークンも毎ターン課金）のため、長時間会話ではコンテキストのリセット間隔を設計段階で決めておく必要があります。なお、旧世代のGemini 2.0 Flash Live・Gemini 2.5 Flash Liveは提供終了となり、公式料金ページから削除されています。
Deepgramの$200無料クレジット（カード不要・期限なし）はStandard $0.075/分で約44時間分に相当します。
品質・信頼性重視の本番環境
OpenAIが2024年10月にRealtime APIを公開（2025年8月に正式提供）して以来、WebRTC／SIP対応でこのカテゴリの事実上の標準です。最新フラッグシップのgpt-realtime-2.1（音声入力$32/1M・出力$64/1M＝1分会話 約$0.048・GPT-5クラス推論・128Kコンテキスト）と低コスト版のgpt-realtime-2.1-mini（約$0.015/分）を用途で使い分けます。旧世代のgpt-realtime／gpt-realtime-1.5は2027年1月20日に削除予定のため、新規開発は2.1系で始めてください。
コスト予測を重視する業務システム
Deepgram Voice Agent API（Standard $0.075/分・Growth $0.068/分）はSTT＋LLM＋TTS込みの分単位フラット料金で、月額の見通しが立てやすいのが強みです。自前のLLMを持ち込む「Custom - BYO LLM」は$0.065/分、TTSも持ち込む「BYO LLM＋TTS」は$0.050/分まで下がります。
音声品質・キャラクター表現
ElevenLabsの音声エージェントは2026年にElevenAgentsへ改名されました。プラン含有分（無料15分／Starter 75分／Creator 275分／Pro 1,238分／Scale 3,738分／Business 12,375分）を超えた追加分が$0.080/分、同時接続の上限を超える分は$0.160/分です。LLMのトークン費用と電話回線は別課金のため、総額は使うLLMの料金分だけ上乗せになります。
リアルタイム翻訳・多言語での会話
Gemini 3.5 Live Translate Preview（音声入力$0.0053/分・出力$0.0315/分）は70言語以上に対応する音声から音声への双方向翻訳モデルで、Google公式は入出力を合わせて約$0.0368/分としています。GPT-Realtime-Translate（$0.034/分）は70言語以上の音声を13言語へ同時通訳でき、料金は分数のみの体系です。
Azure内で完結させたい場合
MicrosoftのAzure Voice Live APIは、選ぶ生成AIモデルで価格帯（Pro／Standard／Lite）が決まります。ネイティブ音声は1MトークンあたりでProが入力$32／出力$64、Standardが$11／$22、Liteが入力$4で、本表ではMicrosoft公式の換算で1分あたりに直しています。無料枠（F0）は音声認識・音声合成・音声翻訳向けで、Voice Liveは従量課金のみです。
xAIエコシステムで音声エージェントを構築したい場合
grok-voice-think-fast-2.0（$0.08/分・$4.80/時間）が現行のSpeech to Speechモデルです。旧版のgrok-voice-think-fast-1.0（$0.05/分）は公式料金ページでDeprecated表示のため、新規は2.0を選んでください。テキスト入力を併用すると$0.004/件が加算されます。
よくある質問
リアルタイム音声会話APIとSTT/TTSの違いは何ですか？
STT（音声認識）は音声→テキスト、TTS（音声合成）はテキスト→音声の一方向処理です。リアルタイム音声会話APIはSTT＋LLM＋TTSを一体化した双方向処理で、割り込み（インタラプト）対応や低遅延応答も内包しています。
リアルタイム音声会話APIで最も安いのはどこですか？
2026年9月時点ではGemini 3.1 Flash Live Preview（音声入力$0.005/分・出力$0.018/分）です。OpenAIのgpt-realtime-2.1-mini（約$0.015/分）の約3分の1で無料枠もあります。長時間会話ではコンテキストウィンドウ課金に注意してください。
OpenAI Realtime APIの料金はどのくらいですか？
最新のgpt-realtime-2.1は音声入力$32/1Mトークン・出力$64/1Mトークン（テキストは$4／$24）で、1分会話の目安は約$0.048です。低コスト版gpt-realtime-2.1-miniは音声入力$10/1M・出力$20/1M（約$0.015/分）。旧世代のgpt-realtime／gpt-realtime-1.5は2027年1月20日に削除予定です。
Deepgram Voice Agent APIとOpenAI Realtime APIはどちらが安いですか？
1分会話の目安はgpt-realtime-2.1が約$0.048、Deepgram Voice Agent（Standard）が$0.075でOpenAIのほうが安く、gpt-realtime-2.1-mini（約$0.015）ならさらに差が開きます。ただしDeepgramはSTT＋LLM＋TTS込みの分単位フラット料金でコスト予測が立てやすく、自前のLLMとTTSを持ち込めば$0.050/分まで下がります。
まとめ
- 低コスト（Google）：Gemini 3.1 Flash Live Preview（音声入力$0.005/分・OpenAI mini比 約1/3）／無料枠あり
- ミニモデルで低コスト：gpt-realtime-2.1-mini（約$0.015/分）
- 業界標準・信頼性：gpt-realtime-2.1（1分会話 約$0.048）
- コスト予測しやすい：Deepgram Voice Agent（$0.075/分〜・LLM込み・BYO LLM+TTSで$0.050/分）
- 音声品質重視：ElevenAgents（$0.080/分・LLMは別課金）
- リアルタイム翻訳：Gemini 3.5 Live Translate Preview（入力$0.0053・出力$0.0315/分）／GPT-Realtime-Translate（$0.034/分）
- Azure・xAIで完結：Azure Voice Live Pro（1分会話 約$0.048）／grok-voice-think-fast-2.0（$0.08/分）
