OpenAI、ChatGPTの「高度な音声モード」をPlus・Team向けに提供開始

数カ月にわたる待機期間を経て、OpenAIのリアルタイム音声機能がついに一般有料ユーザーへ届き始めました。

サム・アルトマンCEOは、ChatGPT PlusおよびTeamユーザーを対象に、高度な音声モード（Advanced Voice Mode、AVM）の順次提供を開始したと発表しました。今週中に全対象者への展開が完了する予定です。

OpenAIは今回の発表に合わせて、本機能が50以上の言語で「遅れてごめんなさい」と言えるようになったと、自虐を交えて報告しています。

メモリ対応と新音声の追加、ただし欧州は対象外

AVMは7月に一部ユーザー向けに限定テストが始まっていましたが、多くの課金ユーザーは利用できない状態が続いていました。

今回の正式提供にあたり、OpenAIはカスタム指示（Custom Instructions）とメモリ（Memory）機能を統合しました。これにより、過去の会話の文脈やユーザーの好みを踏まえた音声対話が可能になっています。

さらに、自然をイメージした5種類の新しい音声が追加され、アクセントの聞き取り精度も向上しました。なお、女優のスカーレット・ヨハンソン氏に似ていると物議を醸した「Sky」の音声は完全に削除されています。

注意が必要なのは提供地域です。EU加盟国、英国、スイス、アイスランド、ノルウェー、リヒテンシュタインなどの欧州地域では、規制の影響により当面提供が見送られます。

また、春のデモで注目を集めたリアルタイム動画認識や画面共有、新モデル「o1」との連携は今回は含まれていません。

なぜ重要か

今回の展開は、人間とAIのインターフェースがテキストから「肉声」へ本格移行する大きな節目になると考えられます。

語学学習や面接の練習、あるいは移動中のアイデア出しなどにおいて、相づちを打ちながら自然に割り込みができる体験は、従来の音声入力とは次元が異なります。アプリを再インストールしてでも試す価値は十分にあります。

一方で、カメラを通じたリアルタイム視覚認識やo1のような高度な推論が省かれた点は、実用面での割り切りが見られます。OpenAIとしては、ユーザーの離脱を防ぐために、まずは音声対話の完成度を高めて先行逃げ切りを図った形です。

今後、GoogleやAppleが追随する中で、日常的な「声の相談相手」のポジションを誰が握るのか。その主導権争いにおいて、OpenAIが一歩リードしたことは間違いありません。