ChatGPT、新モデル「GPT-Live」で音声会話を刷新　全二重方式で自然なやり取り

米OpenAIは7月8日（現地時間）、ChatGPTの音声会話機能を刷新する新しい音声モデル「GPT-Live」を発表した。音声の認識と生成を同時に行うフルデュプレックス（全二重）方式を採用しており、人間同士の会話に近い「AIとの自然なやり取りを実現する」としている。

新モデルには「GPT-Live-1」と、より軽量な「GPT-Live-1 mini」の2種類が用意され、同日からChatGPTのWeb版とモバイルアプリ（iOS、Android）に順次提供を開始する。GPT-Live-1はGo、Plus、Proの各有料プランでChatGPT音声の標準モデルとなり、無料プランではGPT-Live-1 miniがデフォルトとなる。API向けの提供も準備中で、開発者・企業向けの事前登録フォームが公開されている。

従来の音声AIでは、音声認識・応答生成・音声合成を別々のモデルが順に処理する「カスケード方式」や、発話ごとに区切って処理する「ターンベース方式」が採用されていた。これらの方式では応答の遅延に加え、短い沈黙や周囲の雑音を発話の終了と誤認し、AIが不自然なタイミングで割り込むことがあった。GPT-Liveはフルデュプレックス方式で音声入力と音声出力の処理を並行して継続的に行う。これにより、話す・聞く・待つといった判断が1秒間に何度も行われる。ユーザーの発話中に必要に応じて「mhmm（うんうん）」や「got it（そうですね）」と相づちを打ったり、考える間の沈黙を待つなど、より自然なやり取りが可能になる。「呼ぶまで話さずに聞いていてほしい」といった指示を出すことも可能だ。発話の終了を待たずに翻訳するリアルタイム翻訳にも対応する。

もう一つの特徴は、会話処理と高度な推論処理を分離した点にある。GPT-Liveは音声での自然なやり取りを担い、Web検索や深い推論、複雑な作業が必要な場合には、背後でより高性能なモデルに処理を委ねる。これにより、応答の速度を保ちながら高度な処理を並行して実行できる。提供開始時点では、背後でGPT-5.5を利用する。OpenAIによると、今後新しいフロンティアモデルが登場するたびに、GPT-Liveが利用する背後のモデルも順次更新していくという。

ChatGPT音声モードの新機能として、音声会話中に関連情報をカードで表示する機能も加わる。天気、株価、スポーツなど、音声だけでなく画面で確認した方が理解しやすい情報について、会話に合わせて表示する。

なお、GPT-Live提供開始時点では、同モデルは動画や画面の共有機能との併用には対応しない。これらの機能が必要な場合は、従来のStandard Voice ModeやAdvanced Voice Modeを利用する形となる。