Google「Gemini 3.8 Live / Extended Thinking」発表｜OpenAI Realtime API（gpt-realtime-2.1）と料金・遅延・日本語応答を同一音声で実測比較

Googleが2026年9月15日、音声対話向けの新モデル Gemini 3.8 Live と Gemini 3.8 Live Extended Thinking を公開しました（Googleの発表）。Gemini API・Google AI Studioで即日利用でき、Search Liveや Gemini アプリの音声会話にも順次入ります。

発表の要点は次の4つです。

• 3.8 Live は「規模とコスト効率」向け。97言語を会話の途中で自動判別して切り替え、ツール呼び出しやAPI実行を会話を止めずに裏で回す
• 3.8 Live Extended Thinking は「考えながら話す」上位モデル。「確認しますね」と先に声を返しつつ裏で多段推論し、進捗を口頭で伝える
• 独立評価 Artificial Analysis の Speech to Speech Quality Index で Extended Thinking が 82.6 を記録し、OpenAI の GPT-Live-1（GPT-6 Astra 構成）81.5、xAI の Grok Voice Think Fast 2.0 の 81.3 を上回って首位
• 料金は音声入力 $3 / 100万トークン、音声出力 $12 / 100万トークン で、OpenAI Realtime API（$32 / $64）の 10分の1

この記事では、公式料金を「1分いくら」に換算して並べたあと、OpenAI Realtime API の現行モデル gpt-realtime-2.1 / 2.1-mini と、Gemini 3.8 Live / Extended Thinking（思考レベル low・high）の5構成に、同じ日本語の質問音声を投げて、1往復の実額・声が返るまでの時間・応答の中身を比較します。用途は当社が手がける歯科医院の電話受付AIを想定しました。

1. 公式料金：どちらも「音声トークン課金」だが単価は10倍違う

両社とも音声を「トークン」に換算して課金します。ただし1秒あたりのトークン数と単価がどちらも違うので、定価表をそのまま並べても比較になりません。まず定価、次に1分換算です。

定価（100万トークンあたり・USD）

Gemini の2モデルは同一料金で、Extended Thinking の思考トークンはテキスト出力単価（$4.50）に含まれます。OpenAI は入力にプロンプトキャッシュが効き、同じ指示文（システムプロンプト）を繰り返し送る音声エージェントではキャッシュ分が $0.40 に落ちます。Gemini の Live API にはキャッシュ割引の記載がありません。

1分あたりに換算すると

音声トークンの換算レートは、Google が公式に「音声入力 $0.005/分・音声出力 $0.018/分」と併記しています（1秒 ≒ 25トークン）。OpenAI は「入力 1トークン = 100ms、出力 1トークン = 50ms」なので、1分の発話は入力600トークン・出力1,200トークンです。

Gemini 3.8 Live は gpt-realtime-2.1 の約4分の1、mini とほぼ同額の単価です。ただし通話の総額は音声だけで決まりません。OpenAI Realtime は応答のたびに会話履歴全体を入力として再送し、Gemini Extended Thinking は思考トークンと隠れたプロンプトが乗ります。そこが定価表では見えないので、実測しました。

2. 比較方法

「傾向をつかむ」目的の軽量計測です。

• 対象5構成：gpt-realtime-2.1／gpt-realtime-2.1-mini／gemini-3.8-live／gemini-3.8-live-extended-thinking（思考レベル low）／同（high）
• 入力音声は5シナリオ、すべて同一ファイル。macOS の日本語音声合成（Kyoko）で作成し、Gemini には 16kHz、OpenAI には 24kHz の PCM を渡した（両 API の仕様上の入力形式）
• システムプロンプトは共通。歯科医院の受付AIとして診療時間・駐車場・英語対応医師・初診料を与え、「2〜3文で簡潔に」「英数字は一字ずつ」「予約は book_appointment ツールを呼ぶ」と指示
• ターン検出は両方サーバー側 VAD（後述の理由）。発話のあとに 1.5 秒の無音を送り、AI が話し始めるのを待つ
• 送信速度は2通り。音声ファイルを一括で送る「一括」（3回反復・75セッション）と、マイク入力と同じ100msごとに送る「実時間」（2回反復・50セッション）。合計125セッション、すべて逐次実行
• 料金は API が返す消費トークン（usage）に上記の公式単価を掛けて算出
• 遅延は「ユーザー発話の最後の音声を送った時刻」から「AI の最初の音声が届いた時刻」まで（TTFA：Time to First Audio）。VAD の終端判定を含む、利用者が体感する待ち時間
• 品質は API が返す応答音声の書き起こしと、ツール呼び出しの引数を目視で採点

3. 結果①：1往復の実額は Gemini 3.8 Live が gpt-realtime-2.1 の4分の1、mini とほぼ同額

モデルごとに、1往復あたりの実額の中央値（一括送信・各15セッション）と、25往復の合計（一括75 + 実時間50 = 125セッション）を並べます。1往復 = ユーザーの質問1回とAIの応答1回で、S4はツール呼び出しの往復を含みます。

定価の単価差（10倍）ほどは開きません。理由は2つあります。

1. OpenAI はプロンプトキャッシュが効く。同じシステムプロンプトを毎セッション送るため、gpt-realtime-2.1 は平均で入力の2〜4割がキャッシュ単価（$0.40）で処理されました
2. OpenAI の応答は長い。同じ質問に対して gpt-realtime-2.1 は平均11秒、mini は14秒話し、Gemini は9秒前後でした。音声出力は最も高い単価なので、話す長さがそのまま額に響きます

それでも Gemini 3.8 Live は gpt-realtime-2.1 の4分の1、mini と同水準です。Extended Thinking は 3.8 Live より4割ほど高くなりました。原因はトークン内訳を見ると分かります。

Extended Thinking は「隠れた入力」が毎ターン3,000〜4,000トークン乗る

1往復あたりの平均トークン数（一括送信75セッション）です。当社のシステムプロンプトは約660トークンですが、Extended Thinking はテキスト入力が4,000トークン台で返ってきます。モデル側で足されるプロンプトが約3,000トークンあり、これがユーザーの入力として課金されるようです。単価は $0.75/100万なので1往復あたり $0.002〜0.003 で済みますが、ツール呼び出しで往復が増える S4 では入力が7,000〜10,000トークンに膨らみ、1往復 $0.02〜0.03 と gpt-realtime-2.1 に近づきました。

もう1点、Gemini 3.8 Live（Extended Thinking ではない方）も思考トークンを返します。1往復あたり180トークン前後で、公式のモデルカードにある「interleaved reasoning（会話に織り込んだ推論）」が動いている証拠です。額にすると $0.0008 程度で、実用上は無視できます。

なお、gpt-realtime-2.1 / mini も reasoning_tokens を返しますが、output_tokens の合計には含まれておらず、料金ページにも記載がありません。今回の実額には含めていません（含めても1往復 $0.001 未満）。

4. 結果②：声が返るまでの時間は、マイクと同じ速度で送れば両社 1.5〜1.9 秒で横並び

利用者が体感する待ち時間として、発話の最後の音声を送ってから AI の最初の音声が届くまで（TTFA）を測りました。サーバー側 VAD の終端判定（無音を検知して「話し終わった」と判断する時間）を含みます。

送信方法で結果が大きく変わったので、両方載せます。

一括送信では Gemini が 4 秒台で OpenAI の 2.5 倍遅く見えます。しかし内訳を見ると、Gemini の TTFA は入力音声の長さに比例して伸びていました（3.6秒の質問で 2.5秒、13.7秒の質問で 5.3秒）。Gemini はサーバー側で音声を実時間に近い速度で処理しているため、ファイルを一気に流し込むとその分だけ待たされます。OpenAI は入力の長さに関係なく 1.7 秒前後でした。

実際の通話ではマイクの音声は実時間でしか届かないので、実時間送信の数字が実態です。その条件では Gemini 3.8 Live 1.74秒、Extended Thinking 1.85〜1.90秒、gpt-realtime-2.1 1.60秒、mini 1.50秒と、5構成すべてが 1.5〜1.9 秒に収まりました。Extended Thinking は「考えながら話す」ため、思考レベルを high にしても最初の声が遅くなっていません。

接続確立（WebSocket を開いてセッション設定が完了するまで）は Gemini が 0.42〜0.48秒、OpenAI が 0.72〜0.89秒で、Gemini の方が速いです。1通話に1回しか発生しないので、体感への影響は小さいです。

「考えながら話す」の副作用：応答全体が終わるまでは長い

TTFA とは別に、応答の生成が完了するまでの時間（OpenAI は response.done、Gemini は generationComplete の到着）も測りました。実時間送信の中央値です。

OpenAI と Gemini 3.8 Live は、10秒分の音声を3〜6秒で生成し終えます（再生より速い）。Extended Thinking は生成完了が音声の再生時間とほぼ一致しており、話す速度に合わせて逐次生成していることが分かります。利用者にとっては「最初の一声は速いが、次の発話ができるのは話し終わってから」で、S4 の予約ツール呼び出しでは「確認しますね」と言ってから実際にツールが呼ばれるまで 6〜9秒かかりました（3.8 Live と OpenAI は 2〜4秒）。

5. 結果③：応答の中身は Gemini が計算に強く、OpenAI 上位が言語切替とツール呼び出しで安定

5シナリオ × 5構成 × 5回 = 125セッションの書き起こしを、シナリオごとに採点しました。

計算：OpenAI の2モデルは10回すべて「4,500円」と間違えた

「大人2人と子ども1人、大人の初診料3,000円、子どもは半額」の合計は 3,000 × 2 + 1,500 = 7,500円です。gpt-realtime-2.1 と mini は 10回とも 4,500円 と答えました。内訳を「大人が3,000円、子どもが1,500円」と説明しているので、「大人2人」を聞き落としたか、掛け算を省いています。一方、Gemini は Extended Thinking でない 3.8 Live を含めて 15回すべて 7,500円 でした。Google が Big Bench Audio（音声での推論）97.7% を強調するのは、この差の裏付けと読めます。

土曜午後の休診は、5構成すべてが正しく答えました。

英数字：聞き取りは全員正確、Extended Thinking は「まとめ読み」しがち

予約番号 A7392B と電話番号 090-1234-5678 は、読み上げた24セッションすべてで誤りなく聞き取れました（※Extended Thinking（low）の1回は予約番号を読んだところで応答が終わり、電話番号に到達しませんでした）。両社が主張する英数字の精度は、日本語の音声合成入力でも確認できました。

差が出たのは読み上げ方です。システムプロンプトで「一字ずつはっきり」と指示していますが、Extended Thinking（low）は5回中3回、「A 7392 B」「09012345678」とまとめて読みました。high は1回、mini も1回、電話番号を「090、1234、5678」と3〜4桁ずつまとめています。gpt-realtime-2.1 と Gemini 3.8 Live は毎回一字ずつ区切りました。Gemini 3.8 Live は「えー、なな、さん、きゅう」とひらがなの発音で書き起こされる回が2回あり、電話越しの聞き取りやすさという点では「A、7、3」と読む OpenAI の方が安定していました。

ツール呼び出し：gpt-realtime-2.1 と Gemini 3.8 Live が安定、mini は日付を間違える

「明日の午後3時に山田で予約、電話番号は 080-1111-2222」を book_appointment(name, datetime, phone) に落とす課題です。システムプロンプトに「今日は2026年9月16日（水）」を与えています。

• gpt-realtime-2.1：5回すべて正しい引数。「予約の登録をして確認しますね」と一声かけてからツールを呼び、結果を予約番号込みで返した
• gpt-realtime-2.1-mini：正解は5回中1回。3回は日付を「9月16日（今日）」や「17時」と間違え、1回は「フルネームを教えてください」とツールを呼ばなかった。電話番号も「2 2 0、2 2 2 2」と余計な桁を復唱した
• gemini-3.8-live：5回すべて正しい引数。実時間送信では発話終了から1.8秒でツールを呼び、5構成で最速
• Extended Thinking（low）：5回すべて正しい引数。ただし呼び出しまで 6〜8秒
• Extended Thinking（high）：3回は正しい引数。2回は「かしこまりました、ご予約の内容を確認します」と述べたあと、5秒待ってもツール呼び出しが届かず計測を打ち切った

Gemini は関数を既定で**非同期（NON_BLOCKING）**として扱います。ツールの結果を返す際に「すぐ伝える（INTERRUPT）」「手が空いたら（WHEN_IDLE）」「黙って覚える（SILENT）」を指示でき、今回は INTERRUPT を指定しました。この指定を付けないと、Extended Thinking は「少々お待ちください」と言ったまま予約番号を伝えないセッションがありました。

言語切替：英語→日本語の切り戻しは gpt-realtime-2.1 が完璧、mini は英語のまま

「Hello, do you have an English speaking dentist? あと、駐車場はありますか。」に対して、理想は前半を英語・後半を日本語で返すことです。

• gpt-realtime-2.1：5回すべて「Yes, ... on Tuesdays and Thursdays. 駐車場は提携コインパーキングが...」と切り替えた
• gpt-realtime-2.1-mini：5回とも英語で押し切り、駐車場の案内も英語。1回は駐車場に答えなかった
• gemini-3.8-live：5回中4回切り替え。1回は英語のまま
• Extended Thinking（low）：5回中2回。3回は英語のまま
• Extended Thinking（high）：5回中3回。2回は最初から日本語で答えた（英語部分にも日本語で返答）

Google は「97言語を会話の途中で自動判別」を掲げていますが、1つの発話の中に2言語が混ざる場面では、Extended Thinking はどちらか一方の言語に寄せる傾向がありました。

6. 実装して分かった仕様差

記事にする際に確かめた、公式ドキュメントだけでは分かりにくい点です。

7. どちらを選ぶか

今回の条件（歯科医院の受付AI・日本語・1問1答）で見えた選び分けです。

• 料金を最優先するなら Gemini 3.8 Live。1往復 $0.005 で gpt-realtime-2.1 の4分の1、mini と同額。計算を含む質問への正答率が高く、ツール呼び出しも安定。英数字は「えー、なな」と読む回があるので、読み上げ形式をプロンプトで詰める必要がある
• 英語と日本語が混ざる窓口や、複雑な予約フローの確実性を重視するなら gpt-realtime-2.1。言語切替 5/5・ツール引数 5/5 と最も安定。ただし1往復 $0.02 と最も高く、応答も長めで、掛け算を含む計算は10回中0回だった。金額計算はモデルに任せずツールに出す設計が必要
• gpt-realtime-2.1-mini は今回の条件では非推奨。安いが日付の取り違え、日本語への切り戻し失敗、余計な桁の復唱が目立った
• Extended Thinking は「即答の速さ」は 3.8 Live と同じだが、話し終わるまでとツール呼び出しまでが長い。1往復あたり隠れた入力トークン約3,000が乗り、ツール往復では gpt-realtime-2.1 に近い額になる。多段の裏処理を口頭で実況させたい業務向けで、1問1答の受付には 3.8 Live で足りる
• GPT-Live-1（$0.05/分・全二重） は今回計測していない。無音時間も課金されるため、1問1答が中心の受付では割高になりやすく、割り込みや相槌の自然さが要件になる用途で候補になる

8. 計測の限界

• n=5（一括3回 + 実時間2回）の軽量計測。1回の外れ値で採点が動くので、1〜2回差は誤差と読んでください。0/5 と 5/5 のように割れた項目だけを差として扱っています
• **入力は音声合成（macOS Kyoko）**で、人間の発話に比べて明瞭です。雑音・言い直し・方言への耐性は測っていません
• 応答の評価は API が返す書き起こしテキストで行いました。声の自然さ・イントネーションは評価していません
• OpenAI は reasoning 設定を既定のまま、Gemini Extended Thinking は low と high のみ（medium は未計測）です
• 1問1答のみ。複数ターンの会話では OpenAI の履歴再送コストと Gemini の思考トークンの積み上がりが変わります
• 単一拠点（日本）からの平日朝の計測で、ピーク時の挙動やテール遅延は見ていません
• gpt-realtime-2.1 の reasoning_tokens の課金有無は公式に記載がなく、実額に含めていません

9. まとめ

• Google は2026年9月15日、Gemini 3.8 Live（コスト効率・97言語・非同期ツール）と 3.8 Live Extended Thinking（考えながら話す）を公開。音声入力 $3・出力 $12/100万トークンで、OpenAI Realtime API（$32 / $64）の 10分の1の単価
• 同じ日本語質問音声 125セッションの実測では、1往復の実額は Gemini 3.8 Live $0.005、gpt-realtime-2.1 $0.021、mini $0.007。定価差10倍が実額では4倍に縮むのは、OpenAI のプロンプトキャッシュと Gemini の思考トークン・隠れた入力のため
• 声が返るまでの時間は、マイクと同じ速度で送れば5構成すべて 1.5〜1.9秒。音声を一括で流し込む計測では Gemini が不利に見えるので、比較記事の数字は送信方法を確認する必要がある
• 計算問題は Gemini が 15/15 正解、OpenAI は 0/10。逆に 1発話内の英日切替とツール引数の正確さは gpt-realtime-2.1 が 5/5 で最も安定
• Extended Thinking は最初の一声は速いが、話し終わりとツール呼び出しが遅く、1往復の入力に約3,000トークンが上乗せされる。1問1答の受付なら 3.8 Live で十分

音声 API の選定は「どちらが安いか」だけでは決まりません。自社の窓口で守らせたい振る舞い（計算・英数字・言語・ツール）を数本の音声ファイルにして、両 API に同じものを流すのが確実です。今回の125セッションはその出発点として、Gemini 3.8 Live が「安くて計算に強い既定」になりうること、そして言語切替とツールの確実性ではまだ gpt-realtime-2.1 が一段上にいることを示しています。

出典（一次情報）

• Introducing Gemini 3.8 Live and 3.8 Live Extended Thinking | Google
• Gemini Developer API Pricing | Google AI for Developers
• Gemini 3.8 Live model card | Google AI for Developers
• Live API capabilities guide | Google AI for Developers
• Tool use with Live API | Google AI for Developers
• Pricing | OpenAI API
• Realtime conversations | OpenAI API
• Voice latency and cost | OpenAI API
• GPT-Live-1 Model | OpenAI API
• Speech to Speech Leaderboard | Artificial Analysis
• 実測値は編集部が2026年9月16日に Gemini Live API / OpenAI Realtime API を直接呼び出して取得（5構成 × 5シナリオ × 5回 = 125セッション）