リアルタイム音声AIを実機比較｜GPT・Grok Voice・Geminiのどれが自然に喋るか

「公式が0.70秒と書いているモデルを自分の環境で測ったら、1.88秒でした」

音声で会話できるAIがこの数週間で一気に増えました。ところがどれを選べばいいのかを調べると、出てくるのは各社の発表文か、印象で書かれた感想ばかりです。数字が載っていても、測った条件が書かれていないので比べようがありません。そこで同じ音声を全部のモデルに同じだけ流して測る検証台を自分で作りました。

こんにちは、ルーティンラボ（@rutinelabo）です。今回はGPT Realtime、Grok Voice、Gemini Liveの3つを実機で比較しつつ、AIアバターがロボット臭くなってしまう仕組みの話まで扱います。声だけで開発を進める話はChatGPTボイスの回で扱っているので、あわせて読むと今回の内容がつながります。

LINE友だち登録して情報Get

AIアバターがロボット臭い理由｜連結型とS2Sの違い

ここ数年、AIアバターのサービスはいくつも出てきました。ただ実際に触ってみると、返事までに間があってどこかロボットっぽい、と感じたことがある方は多いと思います。あれはモデルの頭が悪いからではありません。音声の処理のしかたが原因です。

従来のアバターの多くは、連結型（カスケード）と呼ばれる構成でできています。まず音声認識で声を文字に起こし、その文章をAIが読んで返事を考え、最後に音声合成で読み上げます。3つの処理が順番に並ぶので、それぞれの待ち時間が積み上がっていきます。

これに対して最近増えているのが、S2S（Speech to Speech）と呼ばれる構成です。音声をそのまま受け取って、音声のまま返します。途中で文字にしないので、積み上がる工程がありません。

この違いを知っているだけでも、自分でアバターのアプリを作るときの設計がまるで変わります。以前4つのAPIを組み合わせて音声会話アプリを作った回がありますが、あれはまさに連結型でした。今なら同じものをS2Sで組めます。

何を測れば「自然さ」が分かるのか｜比較の4つの軸

比較でいちばんよくない終わり方は「なんとなくこっちが自然でした」です。そうならないよう、測る軸を先に4つだけ決めました。

ここでいちばん効くのが最初の軸です。人間の感覚はよくできていて、話し終わってから返事まで1秒以上空くと、はっきり「間」として感じてしまいます。従来のAIアバターが不自然だったのは、ここが1秒を超えていたからです。

4つ目の「話の切れ目」も実務では地味に効きます。動画編集でAIにテロップを作らせると、文章の変なところで切れることがあります。人間ならまず起きない切り方ですが、AIに処理させると普通に発生します。音声のやりとりでも同じことが起きて、言い直した後半を拾ってくれないと会話が噛み合いません。

3モデルを同じ音声で比べた｜速さと料金は逆に並んだ

投げたのは、挨拶と金額の計算、それに言い直しを含む質問の3本です。挨拶は余計な思考が要らない分そのモデルの素の速さが出ますし、金額は桁の言い間違いが出やすい。言い直しは話の切れ目の判断を見るためのものです。

まずGPT Realtime 2.1です。会話のテンポはこの中でいちばん自然でした。「150たす100は」と聞けば、間を置かずに250ですと返ってきます。そのあと桁を増やして100かける250はと聞いても、25000ですと迷いませんでした。数字を扱わせても崩れませんでした。

次にGrok Voice 2.0です。返答の中身は丁寧で、拡散モデルの説明まで自分から補足してくれました。ただ返事が来るまでに明らかな間があります。会話として見ると、ここが気になりました。

最後にGemini 3.1 Flash Liveです。テンポ自体は悪くないのですが、返ってくる日本語のカタカナやアルファベットの読みに少し不自然なところが残りました。ただし料金は3つの中で群を抜いて安いです。

実測すると、速さの順位はGPT、Grok、Geminiの順になりました。ここに料金を重ねると、きれいに逆の並びになります。

単価は各社の公式ページを参照しています（2026年8月時点・OpenAI／SpaceXAI／Google）。合計金額のほうは見積もりではなく、実際に返ってきたトークン数から算出した実測値です。

ここで面白いのはGrokが意外と安いことです。分あたり0.08ドルという単価だけ見ると高そうに感じますが、Grokは分課金なので短いやりとりでは秒割りになります。今回の3ケースではGPT Realtime 2.1のおよそ3分の1で済みました。

公式の0.70秒は再現しなかった｜Grok Voice 2.0の実測

Grok Voiceについては、もう少し踏み込んでおきます。SpaceXAIの公式発表では、最初の音が出るまでの時間が前バージョンの1.25秒から0.70秒へ短縮されたとされています（公式発表・2026年8月時点）。総合品質も75.7%から82.9%へ上がっており、数字だけ見ればかなり強いモデルです。

ところが自分の環境で測ると、平均1,880ミリ秒でした。公式値のおよそ2.7倍です。しかも前バージョンの1.0を同じ条件で測ると1,758ミリ秒で、新しいほうが遅いという結果になりました。

もう一点、知らないと事故になる話があります。2026年8月5日に、最新版を指すモデル名が1.0から2.0へ自動的に切り替わりました。何もしなくてもバージョンが上がる代わりに、料金も分あたり0.05ドルから0.08ドルへ変わっています。1.0のまま使い続けたい場合は、バージョンを明示して固定しておく必要がありました。

声で開発を動かす｜Claude Codeを音声で操作するアプリ

ここからが、個人的にいちばんやりたかったことです。アイアンマンに出てくるJARVISのようなものを前から作りたかったのですが、レスポンスが速くて精度も保てる音声モデルがなかったので、ずっと作れずにいました。今回それがようやく形になりました。

ターミナルでClaude Codeを動かしながら開発していると、指示を出す手間そのものがボトルネックになってきます。そこで音声で話しかけて、そのまま作業を進めさせられるアプリを組みました。

実際に「今ローカルでClaude Codeを動かしてアプリ開発しているんですが、そのプロジェクトを触って操作できますか」と話しかけてみました。返ってきたのは、できますよという一言です。ファイル操作もコマンド実行も、コード調査まで引き受けてくれます。画面から目を離していても開発が前に進む状態になりました。

ひとつ正直に書いておくと、今の自分の実装では割り込んで話しかけても、AIが一度話し終わってから次の返事に移ります。ここはモデルの制約ではなくプログラム側の作りの問題なので、被せて返すようにも変えられます。

このJARVISのような仕組みは、使い方と導入方法を含めて次回の動画でメンバーシップ限定で配布する予定です。声でターミナルを動かす感覚は、一度試すとかなり印象が変わると思います。

どれを選べばいいのか｜用途別の選び方

3つとも触ってみて、優劣というより住み分けだと感じました。用途から逆算するのがいちばん早いです。

個人的な結論としては、精度に振り切るならGPT、安さで選ぶならGemini、その中間を取りにいくならGrok、という並びです。ただGrokについてはレスポンスの遅さが気になったので、使いどころは正直まだ悩んでいます。

これから試す方に一番おすすめしたいのはGeminiです。Google AI Studioから無料枠のままAPIキーを取得できるので、お金をかけずに音声アプリの開発を始められます。まず動くものを作ってから、速さが足りなければ有料のモデルに差し替える、という順番が現実的だと思います。

まとめ

音声AIは、どれが最強かではなく「どのレイヤーが要るか」で選ぶものだと思います。録音した音声を文字にするモデルと、会話をそのまま返すモデルでは構造そのものが違うので、用途を決めてから選ぶほうが早いです。

録り終わった音声を文字にする側については文字起こしAIを比較した回で扱っています。今回が会話する側なので、2つ合わせて読むと音声AIの全体像がつかめます。

人とAIのあいだをつなぐ部分は、これからさらに需要が高まっていくところだと思います。軽量モデルの選び方については前回のGPT-5.6 Lunaの回でも触れているので、あわせて見ていただくと組み合わせを考えやすくなります。

それでは今回は以上になります。最後までお読みいただきありがとうございました。