概要
OpenAIは7月8日、会話型の新音声モデル「GPT-Live-1」および軽量版「GPT-Live-1 mini」を発表した。最大の特徴は、音声の入力と出力を同時に処理できる全二重アーキテクチャを採用した点だ。従来のターン制の音声対話とは異なり、ユーザーが話している最中にモデル側が自然に割り込んだり、逆にユーザーからの割り込みに柔軟に対応したりできるほか、リアルタイム翻訳のような用途にも活用できるという。OpenAIはこれにより、より人間らしい会話体験を実現できるとしている。
技術的な詳細
これまでの音声アシスタントは、音声認識（ユーザーの発話をテキスト化）→言語モデルによる応答生成→音声合成という3段階のパイプラインで処理されるのが一般的だった。GPT-Live-1では、この構成にGPT-5.5をはじめとする最新のテキストモデルを統合し、より知的で文脈に沿った応答を実現しているという。OpenAIによれば、これまでの音声モデルには「ユーザーの発話中に不自然に割り込んでしまう」「質問に対して十分な知性をもって答えられない」といった課題があったが、新モデルは長時間の沈黙にも耐えつつ、会話の文脈を保持できるよう改善されている。製品リードのAtty Eleti氏は、30〜40分程度の会話にも対応できると説明している。
提供状況と課題
ChatGPTの無料ユーザーは軽量版の「GPT-Live-1 mini」を利用でき、有料プラン利用者向けには上位版の「GPT-Live-1」が提供される予定だ。OpenAIによると、同社の音声機能はすでに1億5000万人以上のユーザーに利用されているといい、今回のアップデートはその基盤の上に構築される。一方で発表時のデモでは、ヒンディー語への翻訳においてアメリカ英語訛りや不自然な発音が見られるなど、多言語対応にはなお課題が残ることも指摘されている。