ChatGPTの高度な音声機能が刷新：皮肉や相槌も自然に、同時通訳にも対応

AIとの音声会話で最も不自然さを感じるのは、返答の内容そのものよりも、機械特有の単調なイントネーションや不自然な間です。

この週末、OpenAIはChatGPTの有料プラン利用者向けに、音声会話機能であるAdvanced Voiceのアップデートを配信しました。対象は全プラットフォームと対応地域の有料ユーザーです。

より自然な間と皮肉のニュアンス、通訳機能の強化

OpenAIによると、今回のアップデートによってChatGPTの音声はより自然で滑らかになりました。微妙なイントネーションの抑揚や、ポーズや強調を含むリアルなリズム感が再現されています。

さらに、共感や皮肉といった感情表現の精度も向上したとされています。

会話のスムーズさだけでなく、翻訳機能も使いやすくなりました。ChatGPTに通訳を頼むと、停止を指示するか別の言語への切り替えを求めるまで、会話を継続して翻訳し続けてくれます。

一方で課題も残っています。OpenAIは、予期しないトーンやピッチの変動など、音質が一時的に低下する場合があると説明しています。また、意図しない異音や意味不明な発話、勝手に流れるBGMといった、音声モード特有のハルシネーションに関する不具合は今回のアップデートでは修正されていません。

なぜ重要か

AIにポーズや強調、さらには皮肉といった人間らしい語り口を身につけさせたことは、音声対話の体験を一気に引き上げる動きだと私たちは考えます。特に、指示するまで止まらずに訳し続ける通訳機能は、旅行や日常会話の補助として有料プランを契約している人なら今すぐ試す価値があります。

ただし、音程のブレや意味不明な音・BGMが混ざるハルシネーションが放置されている点は、ビジネスや公の場での利用における明らかなリスクです。

業界全体で見れば、音声アシスタントの競争軸が単なる音声認識の正確さから、いかに人間らしい感情やリズムで会話できるかへと完全にシフトしたことを示しています。