ITmedia AI＋
生成AI
OpenAI、リアルタイム音声モデル「GPT-Live」公開　相づちも割り込みも、より人間らしい会話に

OpenAI、リアルタイム音声モデル「GPT-Live」公開　相づちも割り込みも、より人間らしい会話に

公開 2026年07月09日 06時53分

[ITmedia]

印刷する

　米OpenAIは7月8日（現地時間）、新世代のリアルタイム音声モデル「GPT-Live」を発表した。人間同士の会話のように、相手の話を聞きながら同時に話せるフルデュプレックス（全二重）方式を採用し、ChatGPTの音声機能「ChatGPT Voice」を全面刷新する。

　同日からモバイルアプリ版とWeb版のChatGPTで世界に順次展開し、有料のGo/Plus/Proプランでは「GPT-Live-1」が、無料プランでは軽量版の「GPT-Live-1 mini」が、音声機能の標準モデルになる。本稿執筆時点では、日本語版モバイルアプリに「まもなくお使いのアカウントで次世代音声モデルをご利用いただけるようになります。」と表示されている。

日本でも次世代音声モデルに更新されるようだ

　従来の音声モデルは、ユーザーが話し終えてからAIが応答するターン制が基本だった。初代ChatGPT Voiceは音声認識、LLM、音声合成を直列につなぐカスケード型で応答が遅く、後継の「アドバンスドボイスモード」は単一モデル化で遅延を減らしたものの、短い沈黙や背景の雑音を発言の終わりと誤認して不自然に会話に割り込むことがあった。GPT-Liveは聞くことと話すことを同時に行い、1秒間に何度も「話すか、聞き続けるか、黙るか」を判断する。相手の話に相づちを打ち、割り込まれれば自然に応答を切り替え、ユーザーが考え込んでいる間は待つ。「今は聞いているだけでいい」といった指示にも従えるという。

　複雑な質問への対応には「委任」の仕組みを使う。Web検索や深い推論が必要な場面では、バックグラウンドで最新のフロンティアモデル（発表時点ではGPT-5.5）に処理を委ね、その間もユーザーとの会話を継続し、結果が出次第、内容を会話に反映する。対話担当と処理担当を分離したことで、新しいフロンティアモデルの登場に合わせて背後のモデルを更新できるとしている。

GPT-Live-1が会話を続けている間、委任されたGPT-5.5がバックグラウンドで情報を検索する

　推論の深さは「Instant」「Medium」「High」から選べる。会話中に、天気や株価、スポーツなどの情報をビジュアルカードとして表示することも可能だ。9種類の音声もGPT-Live向けにリマスターした。同社によると、ChatGPTの音声とディクテーションの機能は、毎週1億5000万人以上が利用しているという。

　なお、Business／Enterprise／Eduの各ワークスペースでは提供開始時点では利用できない。動画や画面共有には初期リリースでは対応しないが、必要な場合は従来のボイスモードを引き続き利用できる。API提供は近く開始する予定で、開発者および企業向けに通知登録フォームを公開したが、料金などの詳細は明らかにしていない。

　このモデルのシステムカードでは、リアルタイムに進行する音声会話特有のリスクへの対策を説明している。モデルの発話中に危険な出力を検知すると、より安全な応答へ誘導したり、リスクの高いケースでは音声会話を終了したりする仕組みを組み込んだ。10代のユーザーには年齢に応じた振る舞いをモデルに直接学習させ、保護者はペアレンタルコントロールで音声機能の利用可否を選択できる。自傷などリスクの高い兆候があった場合、連携済みの保護者に通知が届くこともある。レッドチーム演習では、子どもを装った声や実在人物のなりすまし、話者の特定といった音声特有のリスクを検証した。安全性評価はおおむね従来モデルと同等以上だったが、「AIへの感情的依存」の項目ではGPT-Live-1がわずかに低下した（統計的に有意ではないとしている）。GPT-Liveは事前定義された音声のみを使い、実在の人物の声の模倣を防ぐ保護策を備えるという。