OpenAI、音声モデル「GPT-Live-1」のAPI提供を開始：毎分5セントで同時通話に対応

従来の音声 AI アプリ開発は、実質的に「配管工事」のようなものでした。音声認識（STT）、大規模言語モデル（LLM）、音声合成（TTS）という 3 つのパーツを数珠つなぎにしていたため、どこかで遅延が発生するたびに会話がぎこちなくなり、ユーザーが発言を遮るとシステム全体が混乱に陥っていました。

OpenAI は 9 月 10 日、ChatGPT で先行提供されていた全二重音声モデル「GPT-Live-1」を API で一般公開しました。利用料金はフロントエンドの音声レイヤーで 1 分あたり 0.05 ドルです。最大の特徴は、聞き取りと発話を同時に行える点にあります。

つぎはぎアーキテクチャからの脱却

GPT-Live-1 は、音声の入出力を単一のモデル内で直接処理します。従来のパイプライン方式で発生していたレイテンシや連携の不安定さを解消し、会話の自然なリズムを崩しません。

話者の笑い声や言い淀み、背後のノイズを適切に判別できるほか、ユーザーが誰かと軽く言葉を交わした程度では返答を割り込ませず、待機できるようになりました。英語学習アプリの Speak による検証では、学習者が考える時間を確保できるようになり、不自然な割り込みが従来比で約 80% 減少したといいます。また、ある医療分野の顧客では、移行によって 2 万 3000 行に及ぶ制御コードを削減できたと報告されています。

ベンチマークの Full Duplex Bench では、旧世代の GPT-Realtime-2.1 と比較してスコアが 30 ポイント向上しました。さらに電話回線（テレフォニー）のサポート、文字起こしテキストの同時出力、キーワードバイアス、英数字の正確な認識にも対応しています。

表でテンポよく話し、裏で深く考える

超低遅延のリアルタイム会話を維持しながら、高度な推論をどう両立させるのか。OpenAI が用意した回答は「推論のバックエンド委譲」です。

GPT-Live-1 はフロントエンドとして相槌を打ちながら会話を維持し、複雑なツール呼び出しやロジック計算は背後の別モデルに任せます。例えば、予約や配送状況の確認といった定型業務には軽量な Luna を組み合わせ、難度の高いトラブルシューティングには GPT-6 Astra に処理を渡す、といった柔軟な設計が可能です。

実際に GPT-Live-1 と GPT-6 Astra（推論強度：中）を組み合わせた構成は、エンドツーエンドの音声エージェント性能を測る Tau3 で首位を獲得しました。あわせて企業向けの実装基盤として「OpenAI Presence」も提供されます。

なぜ重要か

音声プロダクトを手がける開発者にとって、最大の障壁だった割り込み制御や遅延チューニングの負担が一気に消え去るインパクトがあります。2 万行を超えるつぎはぎコードを捨てて API 1 本に集約できるため、自然な対話ができるコールセンターや教育エージェントを立ち上げるハードルは劇的に下がりました。

フロントエンドの音声処理とバックエンドの思考モデルを切り離したアプローチは、非常に合理的だと考えられます。超巨大な推論モデルですべての音声をリアルタイム処理させようとすれば、コストもレイテンシも破綻します。会話のノリを保つ役と、じっくり考える役を分けたことで、実用的なスピードと知能を両立させました。

ただし、コスト管理には注意が必要です。1 分あたり 0.05 ドルというのはあくまで音声の接続費用に過ぎず、裏で Astra などの高度モデルを回せばトークン消費が上乗せされます。どの対話をバックエンドに委譲するかを慎重に設計しなければ、運用コストが急膨張するリスクを抱えています。