OpenAIが新しい音声モデルGPT-Liveをリリースしました。発表文の要点を一つだけ挙げるなら、これです。「聞くことと話すことを同時に行うフルデュプレックスアーキテクチャ」。これまでの音声AIは、どれだけ高速になってもトランシーバーでした。一方が話し終えるまで、もう一方は話せなかったのです。GPT-Liveは、この構造そのものを電話に変えました。何が変わり、なぜ重要なのかを、アーキテクチャの観点から整理します。
まずは、新しい音声会話が始まる様子を少し見てみましょう。
▶ GPT-Live音声会話の開始画面（OpenAI公式）
カスケード方式からターンベース、そしてフルデュプレックスへ
音声AIの構造は、これまでに3段階を経てきました。
初期のChatGPT音声会話はカスケード方式でした。音声認識モデルが音声をテキストに変換し、言語モデルが回答を生成し、音声合成モデルが再び音声に変換する、3つのモデルによるリレーです。フロンティアモデルと音声で会話できること自体が画期的でしたが、モデル間を渡るたびに情報が失われ、応答も遅くなりました。声に含まれるニュアンスがテキストに変換された瞬間に消えてしまうという、構造上の限界もありました。
Advanced Voice Modeに代表されるターンベースモデルは、これらを一つのモデルに統合しました。音声を直接処理・生成することで遅延が減り、表現も自然になりました。しかし、会話は依然としてターン単位で処理されます。ユーザーが話し終えるまで待ってから応答する方式ですが、問題は「話し終えたこと」を沈黙で判断する点です。考えを整理するために少し黙ると割り込まれ、周囲の雑音を会話の終了と誤認する不自然な場面もここから生まれます。
GPT-Liveは、ターンという概念そのものを捨てました。応答を生成しながらユーザーの入力を処理し続け、話すか、聞き続けるか、少し待つか、割り込むか、ツールを使うかを1秒に何度も判断します。相手が話している途中に「うん」「はい」と反応するバックチャネルや、リアルタイム通訳が可能になったのも、この構造のおかげです。この違いは、文章で読むより音声で確認するほうが早いでしょう。OpenAIが公開したデモ動画を2本、あわせて紹介します。
▶ 自然な会話のデモ（OpenAI公式）
▶ 聞くことと話すことを同時に行う、リアルタイム通訳デモ（OpenAI公式）
第2の設計、会話と推論の分離
フルデュプレックスと同じくらい注目したいのが、役割の分離です。GPT-Liveは途切れのないインタラクションを担当し、検索や深い推論が必要な質問はバックグラウンドのフロンティアモデルに引き継ぎます。リリース時点ではGPT-5.5がその役割を担い、今後新しいフロンティアモデルが登場すれば置き換えられると説明されています。
この構成が巧妙なのには、2つの理由があります。1つ目はユーザー体験です。重い処理がバックグラウンドで動いている間も、GPT-Liveは会話を続けます。検索結果を待つ間に沈黙が流れるのではなく、会話の流れが維持されます。2つ目はアップグレードのしやすさです。会話担当と推論担当が分離されているため、後段のモデルだけを交換すれば、音声体験を維持したまま知能を向上できます。エージェントシステムでオーケストレーターとワーカーを分離する設計と同じ発想です。
性能指標もこの構成を裏付けています。OpenAIの発表によると、GPT-Live-1は、専門家レベルの科学的推論を評価するGPQA、エージェント型Web検索を評価するBrowseComp、通信サポート環境でのマルチターン音声タスクを評価するτ³-Voice Telecomのすべてで、高度な音声モードを上回りました。5〜10分間の実使用比較評価でも、ターンの受け渡し、割り込み、会話の流れでより高い支持を得ています。バックグラウンド委譲が実際にどう動くかは、以下のデモで確認できます。
▶ より賢くなった回答、バックグラウンド推論デモ（OpenAI公式）
使えるものと、まだ使えないもの
提供方法は次のとおりです。GPT-Live-1とGPT-Live-1 miniの2バージョンが、iOS、Android、ChatGPT.comで世界中のユーザーに順次展開されています。Go、Plus、ProプランではGPT-Live-1が、Freeではminiがデフォルトです。推論レベルも選択でき、素早い応答にはInstant、深い回答にはMediumまたはHighを選ぶと、バックグラウンドでGPT-5.5 Thinkingが動作します。
会話中は、天気、株価、スポーツなどのトピックをビジュアルカードで表示できます。検索、メモリ、画像、ファイルアップロードも音声会話の中でそのまま利用できます。周囲の雑音の中でユーザーの声に集中する能力も改善されたそうです。どちらの機能も公式デモが公開されています。
▶ 会話中のビジュアルカードデモ（OpenAI公式）
▶ 背景雑音の中での会話デモ（OpenAI公式）
安全対策も音声向けに再設計されています。音声会話はリアルタイムで進むため、応答中にも機能する保護策を用意し、危険度が高い場合は会話を終了できます。自傷に関する会話では危機相談窓口を案内し、未成年者のアカウントでは保護者が音声会話の利用可否を設定できます。また、高リスクな状況では保護者に通知される場合があります。実在の人物の声を模倣できないよう、あらかじめ定義された9種類の音声だけを提供することも明記されています。
まだ対応していない機能もあります。開発者向けAPIは「近日対応予定」で、現在はリリース通知の登録のみ受け付けています。動画・画面共有と組み合わせた音声会話もリリース直後は利用できないため、必要な場合は従来の音声モードを使う必要があります。言語最適化も主要言語が中心で、一部の言語ではイントネーションが不自然になる可能性があると説明されています。
まとめ
- GPT-Liveは、聞くことと話すことを同時に行うフルデュプレックス音声モデルです。沈黙でターンを判断していた従来方式の不自然さが、構造レベルで解消されています。
- 会話はGPT-Live、検索と推論はバックグラウンドのGPT-5.5が担う分離設計です。会話体験を維持したまま、背後の知能だけを継続的にアップグレードできます。
- ChatGPTでは順次適用が始まりますが、APIはまだです。音声インターフェースを準備中の開発者は、段階的なパイプラインではなく、この構造を前提に設計を見直す価値があります。
毎週1億5,000万人が音声でChatGPTと会話しているそうです。音声が補助入力ではなく基本インターフェースになる流れの中で、ターンの消失は想像以上に大きな転換点になりそうです。