音声がAIの入口に！OpenAI、GPT-Liveを発表しリアルタイム対話体験を革新

OpenAIは水曜日（9日）、新たなリアルタイム音声モデル『GPT-Live』を正式に発表し、ChatGPT Voiceを全面的にアップグレードした。この新モデルは、ネイティブの全二重（Full-duplex）リアルタイム音声アーキテクチャを採用することで、AIとユーザー間の自然な対話能力を大幅に向上させた。

GPT-Liveは、リアルタイム翻訳、音声入力、話速調整、会話の割り込み、一時停止の理解といった機能をサポートする。さらに、バックグラウンドでGPT-5.5やWeb検索などのモデルやツールを自動的に呼び出し、複雑な推論やインターネット検索を実行できる。これにより、音声がChatGPTのすべてのAI機能への統一されたインタラクション入口となった。

OpenAIによると、GPT-LiveはGPT-Live-1とGPT-Live-1 miniの2種類のモデルで構成されており、現在、ChatGPTユーザーへ段階的に提供されている。Web、iOS、Androidプラットフォームで利用可能で、今後数週間以内にAPIが公開される予定だ。開発者や企業はAPIを通じてリアルタイム音声機能を自社製品に統合できるようになる。すでに、関係者は通知の事前登録が可能。

公式発表によれば、毎週1億5000万人以上がChatGPT VoiceやDictationなどの音声機能を通じてChatGPTとやり取りしており、音声がAI利用の主要な手段になりつつある。市場分析では、OpenAIはユーザーがキーボード入力に頼るのではなく、AIと直接対話する体験を促進しようとしていると指摘。音声を生成AI時代における最重要の人間とAIのインターフェースと位置づけている。

今回発表されたGPT-Liveは単一モデルではなく、2つのバージョンに分かれている。GPT-Live-1はGo、Plus、Proの有料サブスクリプションユーザーがデフォルトで利用可能。一方、GPT-Live-1 miniは無料ユーザー向けに提供され、デフォルトの音声モデルとして設定される。新バージョンはすでにWeb版、iOS、Android向けに順次リリースされているが、以前に新音声機能を一時停止したデスクトップ版ChatGPTは、現時点ではまだ新体験をサポートしていない。

OpenAIは、現行のAdvanced Voice Modeと比較して、GPT-Liveの最大の進化は反応速度だけでなく、音声コミュニケーション全体の品質にあると説明している。このため、会話の快適さ（pleasantness）や会話の流れ（flow of conversation）を評価する新たな人間評価システムを構築。5～10分間の一対一のブラインドテストを実施した。

テスト結果では、GPT-Live-1およびGPT-Live-1 miniの両モデルとも、全体的な好み（Overall Preference）、発話の順番交代（Turn-taking）、ユーザーの割り込みへの対応力（Interruptions）、会話の自然さ（Conversational Flow）、そして人間らしい会話に近いかどうか（Naturalness）といった複数の指標で、Advanced Voice Modeを明確に上回った。これが、OpenAIが旧音声モデルを全面的に置き換える決定を下した主な理由である。

技術的には、GPT-Liveの最大の進化は、ネイティブの全二重音声アーキテクチャの採用にある。従来のAI音声アシスタントが「ユーザーが話し、AIが答える」というターン制（Turn-based）の対話に依存していたのに対し、新モデルはユーザーの発話を聞きながら内容を理解し、同時に応答の準備を進めることができる。完全な文が終わるのを待たずに認識を開始するため、ユーザーが一時的に考えているだけの一時停止か、本当に発話が終了したかを正確に判断できる。ユーザーが途中で割り込んでも、AIは即座に応答を停止して再び聞き始め、その後自然に会話を再開できる。この仕組みにより、人間同士の会話に近いインタラクションが実現された。

会話体験の向上に加え、GPT-Liveは新たな機能も多数追加している。リアルタイム双方向翻訳（Live Translation）、より正確な音声入力（Dictation）、より自然な一時停止やイントネーション、感情フィードバックが可能になった。また、ユーザーの要望に応じて話す速度をリアルタイムで調整できる。たとえば、「もう少しゆっくり話してもらえますか？」とリクエストすると、音声の再生速度を下げるのではなく、AIが話すリズム自体を調整する。

OpenAIは、GPT-Liveは単なる新しい音声モデルではなく、ChatGPTの全機能への統一入口であると強調している。ユーザーが複雑な推論を必要とする質問をした場合、システムは自動的にGPT-5.5に切り替えて処理する。最新情報を検索する必要がある場合は、Web検索を直接呼び出す。天気、株価、スポーツなどのリアルタイム情報を扱う際も、適切な機能を自動で呼び出し、結果を自然な音声で返す。ユーザーが手動でモデルを切り替える必要はない。

音声対話が人間の会話に近づくにつれ、OpenAIは同時にセキュリティ保護機能も強化した。システムが不適切な内容を検出した場合、リスクの程度に応じて異なる対応を取る。安全な応答を生成するよう誘導したり、安全警告を表示したりする。高リスクと判断された場合は、音声対話を即座に終了することも可能だ。

未成年ユーザー向けには、既存のペアレンタルコントロール機能をChatGPT Voiceに拡張。保護者は青少年アカウントの音声機能をオフにできる。音声機能が有効でも、青少年が自傷行為などの高リスクな話題に会話を誘導しようとした場合、システムは保護者に通知する。これにより、未成年の安全な利用が強化される。

GPT-Liveは現在、世界中のChatGPTユーザーに段階的に提供されており、最もよく使われる複数の言語で最適化が行われている。ただし、一部の言語では母語話者ではないアクセントや流暢さの不足が残る可能性があると、OpenAIは認めている。改善は継続中である。

また、初回リリースのGPT-Liveにはいくつかの制限がある。現時点ではビデオ通話や画面共有時の音声モードには対応しておらず、これらの機能は開発中だ。そのため、ビデオや画面共有の状況で音声対話が必要な場合は、従来のChatGPT Voice（Legacy Voice）モードを使用する必要がある。

OpenAIは、APIが正式に公開されれば、GPT-Liveが開発者にリアルタイムAI音声機能を提供するコアモデルとなり、音声がAI時代の主要なインタラクション入口としてさらに発展していくと述べている。