OpenAI はこのほど、世界中のユーザーに GPT-Live アーキテクチャを基盤とした新しい ChatGPT の音声体験を正式リリースしました。これは単なる音声技術の進化だけでなく、AI サポートが従来の「ラジオのような」インタラクションから、より人間の会話に近いフルディクスモードへの全面的な転換を示しています。

2024年にリリースされた Advanced Voice Mode と比較して、GPT-Live の主な進歩は従来の音声システムからの完全な脱却です。新アーキテクチャにより、モデルは「話す」「聞く」「考える」の3つの動作を本格的に並列処理できます。つまり、ユーザーが会話している間に、ChatGPT はあなたがすべて話しきるのを待つ必要がなくなりました。代わりに、あなたのトーンや中断をリアルタイムで捉え、例えば「うんうん」「オーケー」といった自然なフィードバックを適切なタイミングで返すことができます。ユーザーが考えたい時間が必要な場合、モデルは静かに待つようになります。これにより、全体のインタラクションには生硬な中断がなくなります。

image.png

技術的な裏側では、GPT-Live アーキテクチャはより強力な推論能力を導入しています。現在、この音声モードはデフォルトで GPT-5.5 モデルを使用します。リアルタイムでのインターネット検索、深い推論や複雑なタスク計画の処理においても、ChatGPT は長時間の文脈追跡を維持できます。ユーザーは会話中にいつでも途中で話し始めたり、議題を変えることもでき、モデルは即座に論理を調整し、新しいトピックにスムーズにつなぎます。

異なるニーズを持つユーザー層をカバーするために、OpenAI は今回2つのバージョンを提供しています。機能が充実した GPT-Live-1 は、ChatGPT Go、Plus、Pro などの有料サブスクリプションユーザー向けに公開されます。一方、無料ユーザーは GPT-Live-1mini で駆動される音声機能を体験できます。さらに、これらの2つのモデルは API を通じて同時に公開されており、開発者はこれを活用して次世代の音声エージェントアプリケーションを開発することができます。

GPT-Realtime-2 および GPT-Live などの主要な技術が実際に運用されるようになったことで、音声 AI は単なる質問応答ツールではなく、複雑なタスクを実行し、人間のような語感を持つ知的対話パートナーとして段階的に進化しています。開発者と一般ユーザーにとって、このアップグレードは人間と機械とのインタラクションがより効率的で自然な新時代へと進むことを示しています。