2026-01-27 ChatGPT音声対話
検討結果: ChatGPT音声対話（OpenAI Realtime API）
検討経緯
| 日付 | 内容 |
|---|---|
| 2026-01-27 | 初回相談: Gemini Liveの音声対話実装があり、ChatGPT（OpenAI）でも同等機能を実装したい |
背景・目的
既存のGemini Live音声対話機能に加えて、OpenAI Realtime APIを使用した音声対話機能を実装することで、ユーザーに選択肢を提供する。
現状のGemini Live実装
Loading diagram...
主な特徴:
- WebSocket接続（BidiGenerateContentConstrained）
- エフェメラルトークンによる認証
- 音声フォーマット: 入力16kHz / 出力24kHz（16-bit PCM）
- VAD（Voice Activity Detection）によるターン検出
- ScriptProcessorNodeによる音声入力処理
対象ユーザー
- 現在Gemini Live音声対話を使用しているユーザー
- OpenAIモデルを好むユーザー
- 複数のAIプロバイダーを比較したいユーザー
解決する課題
- AIプロバイダーの選択肢: Gemini以外の選択肢を提供
- 障害耐性: 一方のサービスが障害時にもう一方を利用可能
- 機能比較: 異なるモデルの応答品質を比較可能
Gemini Live vs OpenAI Realtime API 比較
| 項目 | Gemini Live | OpenAI Realtime |
|---|---|---|
| 接続方式 | WebSocket | WebSocket / WebRTC / SIP |
| 認証 | エフェメラルトークン | エフェメラルキー (ek_xxx) |
| 入力音声 | 16kHz PCM | 24kHz PCM |
| 出力音声 | 24kHz PCM | 24kHz PCM |
| VAD | あり（自動検出） | あり（server_vad / semantic_vad） |
| セッション上限 | 不明 | 60分 |
| 料金（音声入力） | 非公開 | $32/1M tokens |
| 料金（音声出力） | 非公開 | $64/1M tokens |
選択肢の検討
案A: 既存構造を流用（並列実装）
Loading diagram...
概要: Gemini Live実装と同様の構造で、OpenAI用のフック・コンポーネント・バックエンドエンドポイントを新規作成
メリット:
- 既存のパターンを踏襲、理解しやすい
- 各プロバイダーの実装が独立、影響が小さい
- 段階的な開発が可能
デメリット:
- コードの重複が発生
- 共通処理（音声エンコード等）が分散
工数感: 中
案B: 抽象化レイヤー導入（統一インターフェース）
Loading diagram...
概要: 共通のインターフェースを定義し、プロバイダーごとにアダプターを実装
メリット:
- コードの再利用性が高い
- 新しいプロバイダー追加が容易
- UI側の変更が最小限
デメリット:
- 初期設計に時間がかかる
- 各プロバイダーの差異を吸収する設計が複雑
- Gemini実装のリファクタリングが必要
工数感: 大
案C: OpenAI専用ページ（MVP優先）
Loading diagram...
概要: Gemini Liveと同様に独立したページ・コンポーネントとして実装。共通部分はaudioProcessor.tsのみ共有。
メリット:
- 最速で動くものを作れる
- 既存コードへの影響ゼロ
- 実装後に抽象化を検討可能
デメリット:
- UIの重複
- 将来的なリファクタリングが必要
工数感: 小
MVP提案
推奨案: 案C（OpenAI専用ページ）
理由:
- 「まず動くもの」を最優先
- 既存のGemini Live実装に影響を与えない
- OpenAI Realtime APIの挙動を理解してから抽象化を検討できる
MVP範囲
Loading diagram...
必須機能:
- バックエンドでエフェメラルキー発行エンドポイント作成
- OpenAI Realtime API用のReactフック作成
- 音声対話UIコンポーネント作成（Gemini版と同等機能）
- 専用ページ
/openai-realtime作成 audioProcessor.tsに24kHz入力対応を追加
次回以降
- プロバイダー切り替えUI
- 抽象化レイヤーの導入（案Bへの移行）
- 音声認識テキスト表示
- 会話履歴の保存機能
技術的な注意点
音声フォーマットの違い
| 項目 | Gemini Live | OpenAI Realtime |
|---|---|---|
| 入力サンプルレート | 16kHz | 24kHz |
| 出力サンプルレート | 24kHz | 24kHz |
| フォーマット | 16-bit PCM | 16-bit PCM |
OpenAIは入出力ともに24kHzを要求するため、audioProcessor.tsのダウンサンプリング処理を調整する必要がある。
認証フローの違い
Gemini:
POST /api/gemini/token -> AuthTokens.Create -> access_token パラメータで接続
OpenAI:
POST /api/openai/realtime/session -> /v1/realtime/client_secrets -> ek_xxx をヘッダーで使用
次のステップ
- この検討結果について方針を決定
- 方針決定後、
/planで実装計画を作成 - 計画確定後、
開発/実装/実装待ち/に移動