何が変わったのか
OpenAIは、有料ユーザー(Go/Plus/Pro)向けの標準音声モデルを「GPT-Live-1」、無料ユーザー向けを「GPT-Live-1 mini」に切り替えました。ChatGPT音声技術としては約2年で3世代目にあたります。API提供も予告されています。
最大の技術的変更は「全二重アーキテクチャ」の採用です。入力音声を処理しながら同時に発話を生成でき、話す・聴き続ける・沈黙する・割り込む・ツールを呼ぶ、といった判断を毎秒何度も下します。ユーザーの発話中に「うん」「なるほど」といった相槌を挟むことも可能になりました。
なぜ「全二重」が効くのか
2023年の初代ChatGPT Voiceは、Whisperで文字起こし→GPT-4で応答生成→TTSで発話、というカスケード構成でした。OpenHelmの2024年10月分析では、この方式で約1,700ミリ秒の遅延が積み上がっていたとされます。
2024年のAdvanced Voice Modeは沈黙検出による「トランシーバー的な」ターン交代方式で、雑音や短い間を発話終了と誤認する問題を抱えていました。GPT-Liveは音声インタラクション層を推論層から切り離し、複雑な思考はバックグラウンドで動くGPT-5.5(4月リリース)に非同期で委ねます。フロンティアモデルが更新されるたび、音声側の「知性」も自動で底上げされる設計です。
差別化ポイントと制約
GPT-Liveは音声会話中に天気・株価・スポーツ結果・地図などのビジュアルカードを表示し、Instant/Medium/Highの3段階の推論深度を選べます。9種類の音声はリマスタリングされ、実在人物の声を模倣しない安全策が入りました(GPT-4o時代にScarlett Johanssonに似た「Sky」音声を撤回した経緯を踏まえたもの)。
ただしGoogleのGemini Liveがすでに備えるカメラ・画面共有には未対応です。ByteDanceも4月に量産級全二重AI「Seeduplex」をDoubaoに投入しており、音声AIの主戦場は「聞きながら話す」の質と応答遅延の削減に完全に移りました。
💼 事業会社視点：これは自社にどう効くか
日本企業にとっての含意は「音声UIが電話・接客レイヤーの再設計を要求するフェーズに入った」ことです。
BPO・コールセンター事業者にとっては、沈黙検出型ボットが担ってきた一次受電・FAQ応答の代替が現実的な選択肢に入ります。特にEC事業者の返品・配送問合せ、SaaSのオンボーディングは、相槌や割り込みが会話の質を左右する領域で、Advanced Voice Modeでは違和感が残っていた層です。
受託開発・SIerは、GPT-Live APIが来る前提でRFP側の要件定義を「ターン交代型ボット」から「常時傾聴型エージェント」に書き換える準備が要ります。既存のIVR/CTI連携やロギング設計は、全二重前提だと録音・書き起こし・監査の粒度が変わります。
経営者への打ち手は3つ。(1)自社の音声接点でGPT-Live-1 miniの無料枠を使ったユーザーテストを来週中に走らせる、(2)Gemini LiveのカメラチャネルとGPT-Liveの音声品質を用途別に併用する二本立ての内製方針を持つ、(3)ByteDance/Seeduplexの中国市場での動きを、東南アジア向けサービスの技術選定材料として追跡する——この3点を今四半期のロードマップに埋め込むべきです。