この記事の要点
- OpenAIは2026年7月8日、自然な音声対話を目指すGPT-Liveを発表しました。
- GPT-Liveは聞くことと話すことを同時に扱うfull-duplex architectureを採用しています。
- 検索や深い推論が必要な処理は、背後のGPT-5.5へ委ねる設計です。
- ChatGPT Voiceでは有料プランと無料プランで標準モデルが分かれます。
早押しクイズのようだったAIとの会話
音声AIに話しかけた時の違和感は、声の自然さだけで起きるわけではない。こちらが少し考えているだけなのに、AIが答え始める。言い直そうとした瞬間に返答がかぶる。聞きたいことがまとまりきっていないのに、会話が次の段階へ進んでしまう。まるで早押しクイズのボタンをAIが押し続けているような体験だ。
OpenAIが発表したGPT-Liveは、この早押し感を弱めるための更新として読める。The Vergeは、GPT-Live-1がユーザーへの割り込みを減らし、途中で止まった時にも続きを待つモデルだと伝えている。OpenAI自身も、GPT-Liveを自然な人間とAIの音声対話に向けた新しい音声モデル世代として位置づけている。
聞きながら話す、という小さくない飛躍
人間同士の会話では、相手が完全に話し終える前から、表情や間合いで理解を進める。相づちを打つこともあれば、黙って待つこともある。GPT-Liveが採用するfull-duplex architectureは、この感覚に近い方向を目指す。聞くことと話すことを同時に行えるため、会話を一つずつの箱に分けず、流れとして扱いやすい。
この違いは、リアルタイム翻訳のような場面で分かりやすい。相手が話し終えるまで翻訳を待つのではなく、話の流れを追いながら応答する形に近づく。もちろん、実際の聞き取りは周囲の音や通信状態の影響も受ける。それでも、モデルの設計が「話が終わってから動く」から「話の途中でも状況を見る」へ寄ることは、音声AIの使い勝手を大きく変える。
重い質問は、裏のGPT-5.5へ渡る
GPT-Liveは、会話の間合いだけを改善するモデルではない。検索、深い推論、より複雑な作業が必要な時には、背後のフロンティアモデルへ処理を委ねる。OpenAIは発表時点で、GPT-5.5を背景モデルとして使うと説明している。
ここは電話の受付係にたとえると分かりやすい。受付は会話を途切れさせず、用件を聞き、専門部署に回す。GPT-Liveは声のやり取りを担当し、複雑な調査や推論はGPT-5.5側へ渡す。ユーザーから見ると、ただ音声で話しているだけでも、裏側では会話担当と知能担当が分かれて動く。この二段構えによって、ChatGPT Voiceは雑談だけでなく、調べもの、言語練習、移動中の相談、簡単な仕事の段取りにも入りやすくなる。
声が近づくほど、安全も近くなる
声のAIが自然になるほど、便利さと同時に注意すべき距離の近さも増す。文字のチャットより、声の会話は感情に入り込みやすい。返答の内容だけでなく、話し方、間、継続時間、相手への寄り添い方まで体験の一部になる。
GPT-Live System Cardは、GPT-Live-1とGPT-Live-1 miniについて、音声特有の安全評価、リアルタイムの安全統合、レッドチーミングを行ったと説明している。OpenAIの発表でも、危険性が高い場面では安全な方向へ応答をそらしたり、会話を終了したりする仕組みに触れている。自然な会話を目指すなら、安全策もリアルタイムで動かなければならない。
使える範囲は、最初から無限ではない
提供面では、GPT-Live-1とGPT-Live-1 miniがChatGPTユーザーへグローバルに展開される。ChatGPT Voiceでは、Go、Plus、ProユーザーはGPT-Live-1、FreeユーザーはGPT-Live-1 miniが標準になる。OpenAIはAPIにも今後提供する予定だとしている。
一方で、Help CenterはLiveが当初、動画、画面共有、connected apps、pluginsには対応しないと説明している。ここから見えるのは、OpenAIがまず「会話そのもの」を更新の中心に置いていることだ。GPT-Liveの一言で言えば、AIが答える速度の競争から、AIが人の話し方に合わせる競争への移動である。