OpenAI、双方向音声モデルGPT-Live発表

OpenAI（オープンAI）は、人間とAIの対話をより自然にする次世代音声モデル「GPT-Live」を発表し、ChatGPT Voice向けに順次提供を開始しました。このモデルは、ユーザーが話している間に聞き取りと発話を同時に行えるフルデュプレックス（全二重：送信と受信を同時に行うことができる双方向通信方式）アーキテクチャを採用しており、相槌を打つ、会話を遮られると話すのを止める、といった人間同士に近いリアルタイムで流暢な対話を可能にします。

1. デリゲート構造による深い推論の実現

従来の音声AIは、沈黙を検出して会話の終了を判断するターンベース（交互発話）方式であったため、短い一時停止や背景の雑音で会話が不自然に中断される問題がありました。GPT-Liveでは、リアルタイムでの同時やり取りを行う音声制御層と、裏側で複雑な計算を行う思考層を切り離した構造を採用しています。ユーザーがウェブ検索や高度な推論を必要とする質問をした場合、GPT-Liveは裏で「GPT-5.5」などのフロンティアモデルへ処理をデリゲート（処理を別の適切なモデルへ委託すること）し、その計算を待つ間もユーザーと会話を繋ぎ止めることができます。

2. 多層的な音声安全機能と提供形態

GPT-Liveは、実在する人物の声を模倣するリスクを防ぐため、事前に用意された9種類のキャラクター音声のみを使用します。また、リアルタイムで会話の安全性を監査し、自傷行為や暴力、精神的な依存といったセンシティブな内容が検出された場合は、会話を安全な方向へ誘導したり専門の相談窓口を提示したりするセーフガード機能を搭載しています。本機能はまず「GPT-Live-1」（有料のGo、Plus、Proユーザー向け）および「GPT-Live-1 mini」（無料ユーザー向け）として、iOS、Android、Web版のChatGPTで展開され、追ってAPIも提供される予定です。

GPT-Liveの登場は、音声AIが単なる「命令と実行」のインターフェースから、双方向で協働可能な「真の会話パートナー」へと進化したことを意味します。バックグラウンドの思考モデルを必要に応じてシームレスに切り替える今回のアーキテクチャは、音声対話における遅延の削減と高度な知的タスクの処理能力を両立させる、対話型AIの新たなスタンダードとなるでしょう。

引用元：OpenAI