リアルタイム音声 API のユニットエコノミクス
Updated September 1, 2026 · first published September 1, 2026
テキスト LLM 向けに作ったコストモデルは、音声で必ず壊れます。テキストはトークン課金で、トークンは情報量に比例します。音声は時間課金で、時間に比例します — 有用なことが何も起きていない時間も含めて。
実際に何に払っているのか
音声の 1 往復には通常 3〜4 種類の課金が積み上がります。入力音声の音声認識。モデル呼び出しそのもの（リアルタイム音声 API ではトークンではなく入出力音声の分単位）。エンドツーエンドでなければ戻りの音声合成。そしてしばしば、セッションを開いたままにしていること自体への課金です。
最後のものが罠です。利用者が考えている間、画面を読んでいる間、席を外している間も、セッションはセッションです。分単位のメーターでは、無音も定価の商品です。
見積もりがずれる理由
「発話時間 × 単価」で計算すると実績を大きく下回ります。抜けているのは 4 つ。課金されるのにモデル化されない待ち時間と間。発信者が聞いていないのに生成して支払った割り込み分の音声。やり取り全体を再生するリトライ（音声のリトライはトークンだけでなく音声を繰り返すためテキストよりはるかに高い）。そして切断までの全時間を払って何も生まない放棄された通話です。
機能する指標
分あたりコストではなく、完了会話あたりコストです。分単価はメーターであって事業価値の単位ではありません。モデル改善で通話が短くなる変更は、分単価を上げつつ「答えに到達させるコスト」を下げることがあります。
そのうえで誰も見ていない部分を計測してください — セッション時間の中央値と p95、課金時間と発話時間の比、放棄率、放棄セッションのコスト比率。アイドルセッションは積極的に切ること。音声スタックでは通常これが最大の削減余地です。バージイン対応は UX 機能であると同時にコスト機能でもあります。利用者が被せて話した 1 秒は、生成に金を払った 1 秒だからです。
Related
Want this applied to your own LLM spend? FinOps LLM runs a free audit of your AI costs and shows where the savings are. Book free audit →