OpenAIは、GPT-Liveアーキテクチャを基盤とした新しいChatGPTの音声体験を正式にリリースし、これにより音声技術において大きなアーキテクチャの進化を遂げました。2024年にリリースされたAdvanced Voice Modeと比較すると、新バージョンの音声は従来の音声システムに依存せず、知的音声エージェント専用のリアルタイム音声モデルを採用しています。

image.png

今年5月には、OpenAIはこれまでで最も進んだリアルタイム音声モデル「GPT-Realtime-2」を発表しました。このモデルは、GPT-5レベルの推論能力をリアルタイム音声インタラクションに導入しています。このモデルは複雑な要汎に対応でき、長時間の会話文脈をより安定して追跡し、自然な語速やトーンを維持しながら複数ステップのタスクを実行できます。現在、GPT-Liveアーキテクチャに基づく新世代の音声体験は、対話の上限をさらに引き上げ、ChatGPTが「同時に話す、聞く、考える」ことができるようになります。

人間のように会話を続ける、中断しない、そして「うんうん」という反応をする

今回のアップグレードの中心となるのは、全二重構造です。これは従来の音声アシスタントが「あなたが話した後で私が答える」という順番制を打ち破ります。実際のインタラクションでは、GPT-Liveはユーザーが一時停止したり、話し速度を落としたりしたときに、「オーケー」「うんうん」などの軽い感情的なフィードバックを自然に挿入することができ、全体の文章を強制的に中断することはありません。ユーザーが少し考えたいときには、モデルが静かになり、邪魔にならないようにします。

打ち切りコントロールについては、非常に優れた性能を示しています。ユーザーはいつでも途中から話しかけたり、質問の方向を変更したりすることができます。モデルは即座に応答ロジックを調整し、新しい対話の目標にスムーズにつなぎます。さらに重要なのは、新しい音声体験はインターネット検索、深い推論、または複雑なタスク計画に関する質問にも対応でき、バックグラウンドでデフォルトでGPT-5.5モデルを使用して答えを生成します。これは、ユーザーが音声の場面で得られるのは、人間に近い対話のペースだけでなく、テキストモードと同様の「深く考える」能力も含まれていることを意味します。

2つのバージョンが同時にリリースされ、無料ユーザーから企業顧客までカバー

OpenAIは、GPT-Live-1およびGPT-Live-1 miniという2つのバージョンを同時にリリースしました。これらは異なるレベルのユーザーに対応しています。ChatGPT Go、Plus、Proなどの有料ユーザーは機能がより豊富なGPT-Live-1を使用し、無料ユーザーはminiバージョンによって駆動される音声体験を利用できます。開発者および企業顧客にとっては、両方のモデルがAPIを通じて公開されており、次世代の音声エージェントや特化型アプリケーションの構築に便利です。