OpenAI、音声モデル「GPT-Live」発表：同時発話と聞き役に進化

従来のAI音声対話を使ったことがある人なら、少し息を整えただけで遮られて返答が始まってしまうあの気まずさを覚えているはずです。

OpenAIは7月8日、次世代音声モデル「GPT-Live」を発表し、iOS、Android、Web版のChatGPT Voiceへ導入を開始しました。有料ユーザーには「GPT-Live-1」が、無料ユーザーには「GPT-Live-1 mini」が標準で提供され、近くAPIも公開される予定です。

トランシーバーから「同時双方向」へ

最大の進化は、従来のターン制からフルデュプレックスと呼ばれる同時双方向アーキテクチャへと移行した点にあります。AIはユーザーの音声を聞き取りながら同時に話すことができ、1秒間に何度も発話や傾聴の判断を下します。

これにより、会話の途中で「うん」「なるほど」と自然な相槌を打ったり、こちらの言葉を遮らずに待ったりすることが可能になりました。しばらく黙って聞いてほしいと指示すれば、文脈を記憶しながら静かに待機することもできます。

既存の9つの音声がリマスターされたほか、株価や天気などの視覚カードを画面に表示する機能も追加されました。同社プロダクトリードのAtty Eleti氏は、散歩中に30分から40分もの連続した対話を行っていると明かしています。

一方で課題も見られます。ブリーフィングでのヒンディー語リアルタイム通訳デモでは、強いアメリカ英語訛りが残り、硬い表現になる場面が指摘されました。

GPT-5.5をバックグラウンドに回す賢い分業

音声AIはこれまで、応答速度を優先すると知能が下がり、大規模モデルを使うと沈黙が長くなるというジレンマを抱えていました。

GPT-Liveはこの問題を、対話とタスク処理の完全分離で解決しています。表側のモデルがテンポよく会話を繋ぎながら、複雑な推論やウェブ検索が必要な場合は裏でGPT-5.5に処理を委譲し、結果が出次第会話に反映させます。

推論レベルも即答重視のInstantから、深く思考させるMediumやHighまで選択可能です。科学的推論を測るGPQAや検索タスクのBrowseCompといったベンチマークでも、旧来の高度音声モードを明確に上回る成績を示しています。

また、SynthIDによる電子透かしの導入や、自傷行為への相談窓口案内など音声専用の安全策も強化されました。OpenAIが対話による精神的依存などを巡る訴訟を抱えるなか、安全機能への配慮が色濃く反映されています。

なぜ重要か

ひとつの巨大モデルに対話と頭脳のすべてを任せるのをやめ、前後の役割分担を明確にしたアプローチは非常に合理的だと考えられます。人間らしいテンポを保ったまま、裏で強力な推論エンジンを走らせる仕組みは、実用性の面で大きなブレークスルーです。

毎週1億5000万人以上が利用しているChatGPTの音声機能ですが、聞き取り能力と割り込み耐性が上がったことで、散歩中や運転中のブレインストーミングツールとしての完成度は一気に高まりました。今すぐ試す価値は十分にあります。

業界全体にとっても、AppleやAmazon、そしてSesameやMonogramといった新興勢力との競争を一歩リードする動きです。市場ではOpenAIが独自のAIイヤホンを開発中との噂も絶えませんが、GPT-Liveはその布石と見て間違いありません。耳元で使うデバイスにおいて、口を挟まず人の話をじっくり聞ける能力は必須条件だからです。非英語圏での発音の不自然ささえ解消できれば、音声がコンピューティングの主役に躍り出る可能性が現実味を帯びてきました。