OpenAI、リアルタイム音声モデル「GPT-Live」を公開

OpenAIは2025年水曜日、新しい音声モデル「GPT-Live」を世界同時リリースした。iOS・Android・ChatGPT.comで順次提供が始まっており、これまでChatGPTが採用してきた「Advanced Voice Mode」を正式に置き換える位置づけとなる。ラインナップは「GPT-Live-1」と「GPT-Live-1 mini」の2種類で、有料プラン（Go・Plus・Pro）ではGPT-Live-1が既定の音声モデルとなり、無料ユーザーにはGPT-Live-1 miniが提供される。

今回の最大の技術的特徴は、OpenAIが「フルデュプレックス・アーキテクチャ」と呼ぶ仕組みにある。フルデュプレックスとは、電話回線でいう「双方が同時に話せる状態」を指す通信用語だ。これをAIに応用することで、モデルは自分が音声を生成している最中でも、ユーザーの声を継続して処理できるようになった。つまり、どちらかが話し終えるまで待つ必要がない。OpenAIは公式ブログで「モデルは1秒間に何度も判断を行い、話すか・聞き続けるか・間を置くか・割り込むか・ツールを呼び出すかを決定できる」と説明している。

従来のAdvanced Voice Modeは2024年9月に有料ユーザー向けへ展開されたが、ユーザーが発話を終えたかどうかを「無音の長さ」で判定する仕組みだった。このため、カフェの騒音や思考中の間合いが「発話終了」と誤認識され、AIが不自然なタイミングで割り込む問題が生じやすかった。GPT-Liveはこの無音検知への依存をなくし、会話の流れを文脈から継続的に読むよう設計されている。

もう一つの構造的な変更点は、「音声のやりとり」と「思考・推論」を別々のレイヤーに分けたことだ。これにより、音声モデルの部分だけをアップデートしたり、推論モデルを独立して強化したりすることが可能になる。企業向け（API）への提供も予定されており、開発者は通知登録ができる状態になっている。

今回のリリースは、ChatGPTの音声機能としておよそ2年間で3世代目にあたる。これまでの音声AIは「ウォーキートーキー（トランシーバー）のように交互に話す」と表現されることもあり、自然な会話には程遠いと指摘されてきた。フルデュプレックス方式は、人間同士の会話に特有の「うなずき」や「そうそう」といった相槌を、相手が話している最中に差し込める点で、従来とは質的に異なるという見方ができる。

音声インターフェースの自然さは、AIアシスタントが日常的なツールとして普及するうえで長年の課題とされてきた。会話の「間」や「割り込み」がスムーズに扱えるかどうかは、特に業務利用やハンズフリー環境での使い勝手を大きく左右する。今後、API経由で開発者がGPT-Liveをどのように活用するか、また音声を使ったAIエージェントの応用がどこまで広がるかが、注目点になると位置づけられる。