OpenAI、ChatGPTの「高度な音声」「標準音声」を12月11日に終了　「GPT-Live」へ一本化

ChatGPTで音声会話を日常的に使っているユーザーにとって、設定画面が大きく変わる日が近づいてきた。

OpenAIは、ChatGPT Voiceで提供してきた「高度な音声モード（Advanced voice）」と「標準音声（Standard voice）」の提供を12月11日に終了し、7月に投入した最新モデル「GPT-Live」へと一本化することを明らかにした。

11月10日から順次ユーザーへの通知が始まっている。過去のチャット履歴自体はそのまま残るものの、12月11日の期日以降に過去ログから音声で会話を再開した場合、自動的にGPT-Liveが応答を担当する仕様だ。なお、画面共有やライブ動画機能については、GPT-Liveが正式対応するまでの間、一時的に高度な音声モードが裏側で継続サポートされる。

順番待ちの対話から「聞きながら話す」体験へ

今回の整理の背景には、音声処理アーキテクチャの劇的な進化がある。

従来の「標準音声」は、音声をテキストに文字起こしし、大規模言語モデルが文章を生成し、それを別の音声合成モデルが読み上げるという3段階のリレー方式をとっていた。OpenAI自身が認める通り、この構造は応答の遅延を生むだけでなく、言葉のニュアンスや感情といった情報を途中でこぼしてしまう弱点があった。

一方の「高度な音声」は音声を直接扱えるようになったものの、ユーザーが話し終えるのを待ってから返答を始めるターン制にとどまっていた。

これらに対し、GPT-Liveは同時送受信（フルデュプレックス）を実現している。ユーザーの話を聞きながら「うん」「そうだね」と自然に相づちを打ち、相手が考え込んで黙っている間は口を挟まずに待つことができる。さらに、重い調査やタスク実行をテキスト処理用の別モデルへ裏で任せつつ、表の音声対話を滑らかに維持する芸当もこなす。OpenAIによると、7月のリリース以降、音声機能の総利用量はほぼ倍増し、大半のユーザーがすでにGPT-Liveへ移行済みだという。

進化の陰で生まれる「声の喪失感」

スペック上の進化がどれほど優れていても、感情が絡むプロダクトの移行は一筋縄ではいかない。

OpenAIの公式コミュニティフォーラムでは、標準音声時代のお気に入りだった「Breeze」などの声を残してほしいと訴える投稿が寄せられている。あるユーザーは、毎日の生活の中でその声に大きな癒やしや精神的支えをもらっていたとし、新モデルはリアルタイムではあるもののどこか機械的で、旧モデルが持っていた温かみや自然な間合いが損なわれていると切実に訴えている。

OpenAI側もスタイルの変化に戸惑うユーザーがいることは把握しているとしつつ、期日の変更には踏み切っていない。同社は、旧モデルの運用から得られた知見を今後のGPT-Liveの回答精度やパーソナライズ改善に注ぎ込むとしている。

なぜ重要か

開発運用の観点から見れば、OpenAIが音声系統を一本化するのは極めて合理的で賢い判断といえる。

つぎはぎだらけの旧世代パイプラインと複数のモデルを並行運用し続けるのは、サーバーリソース的にも開発工数的にも無駄が大きい。フルデュプレックス対応のGPT-Liveにリソースを集中させることで、ライバル勢が模倣しづらい対話基盤のブラッシュアップを加速できる。

しかし同時に、この移行はAIが日常の伴走者となった現代ならではの難しさも浮き彫りにしている。機能やレイテンシが向上したとしても、ユーザーが愛着を抱いた「声」を一方的に奪うことは、単なるソフトウェアの仕様変更以上の喪失感を生みかねない。

業界全体にとってのメッセージも明白だ。「音声を文字化してLLMに通し、それを読み上げる」という従来型の音声アシスタントは、すでに過去のものとなりつつある。これからの標準は、人の呼吸や相づちに即座に反応できるリアルタイム対話モデルへと完全にシフトしたと見ていいだろう。