OpenAI、双方向音声モデル「GPT-Live-1」をAPI提供開始　自然な割り込みや相槌に対応

要点

• 米OpenAIは2026年9月10日、会話中に聞き取りと発話を同時に行える音声モデル「GPT-Live-1」のAPI提供を開始した。

• 単一のモデルが入出力を統合処理することで、従来の音声認識・言語モデル・音声合成を連結する構成と比べて遅延を抑え、自然な会話の割り込みや相槌を実現する。

• 複雑な推論や外部ツールの実行はバックエンドのテキストモデルに委譲でき、システムプロンプトによる話速やトーンの調整にも対応する。

• ベンチマーク「Full Duplex Bench」では前世代比で30ポイントの性能向上を記録し、語学学習アプリ「Speak」では思考中の誤った割り込みを約80％削減した。

• 米OpenAIは2026年9月10日、リアルタイムで自然な双方向対話を行える音声モデル「GPT-Live-1」をAPI経由で一般の開発者向けに提供開始したと発表した。先行してChatGPT上で導入されていた同モデルがAPIとして利用可能になったことで、開発者は自社のアプリケーションや電話対応などの業務ワークフローに、高度な音声対話機能を組み込めるようになる。

単一モデルによる全二重処理で従来の多段構成の遅延を解消

従来の音声対話エージェントでは、音声を文字起こしするSTT（音声認識）、テキストをもとに回答を生成するLLM（大規模言語モデル）、生成された文章を音声化するTTS（音声合成）という3つの独立したシステムを順次つなぎ合わせる構成が一般的だった。しかし、各工程間のデータ受け渡しによってレイテンシ（処理の遅延時間）が生じるだけでなく、ユーザーが途中で発言を遮ったり言い淀んだりした際の制御が複雑化しやすいという課題を抱えていた。

今回発表されたGPT-Live-1は、発話と聞き取りを同時に行う「全二重（双方向で同時にデータの送受信や対話ができる通信方式）」対話を単一のモデルで処理する。入出力の音声をひとつのモデル内で統合的に推論することで、ユーザーからの割り込みや短い相槌に対して即座に反応できるようになった。また、周囲の環境ノイズや会話の合間にある沈黙も適切に認識し、不要に会話を遮ったりすべての内部手順を声に出して説明したりすることなく、スムーズな対話の流れを維持できるという。

バックエンドモデルへの推論委譲と柔軟な対話制御

GPT-Live-1の大きな特徴のひとつが、リアルタイムの音声対話を維持しながら、複雑な推論やツール呼び出しをバックエンドのテキストモデルに委譲できる仕組みを備えている点だ。

開発者はタスクの性質やコスト、処理速度に応じて背後で稼働させるモデルを自由に選択できる。例えば、注文の更新や日程調整といった大量のリクエストを処理するタスクには軽量な「Luna」を組み合わせ、高度な論理的思考が必要な複雑なカスタマー対応には「GPT-6 Astra」を割り当てるといった設計が可能となっている。

さらに、システムプロンプトを通じてエージェントの声のトーン、話すペース、対話スタイルを柔軟に指定できる。また、文字起こしテキストや応答テキストをネイティブで出力するASR（自動音声認識）機能に加え、英数字の正確な聞き取り、特定の語彙を認識しやすくするキーワードバイアス、ターン（発話順）の検出機能も標準でサポートしている。

ベンチマークで大幅進化、早期導入企業でも通話や学習効率が改善

OpenAIが公開した評価結果によると、GPT-Live-1は全二重対話の性能を測定する「Full Duplex Bench」において、従来の「GPT-Realtime-2.1」と比較して30パーセントポイントの大幅なスコア向上を示した。特に発言交代時のレイテンシ短縮やインタラクティブな応答動作において大きな改善が見られたとしている。また、推論負荷を中程度に設定した「GPT-6 Astra」をバックエンドに組み合わせた構成では、最先端の音声エージェント知能を総合評価する「Tau3」ベンチマークで首位を獲得した。

早期導入企業からも具体的な導入効果が報告されている。語学学習サービスを提供するSpeakでは、学習者が回答を考えている間の沈黙をモデルが適切に待てるようになり、従来のターン制システムと比較して思考中の不要な割り込みが約80％削減されたという。また、店舗の電話予約や注文受付を自動化するYelp Hostでも、通話の処理率が向上したほか、通話相手のユーザーがより自然でまとまった文章で話すようになるなど、電話口での対話体験が大きく改善したことが報告されている。

長時間セッションや電話回線への対応

GPT-Live-1は、長時間のやり取りにおいても文脈の保持能力や会話の品質を維持できるよう設計されている。レストランの予約受付からカスタマーサポートまで、電話回線（テレフォニー）を通じた全二重音声エージェントのデプロイにも対応しており、開発者は幅広い業務用途に合わせた音声対話システムを構築できるとしている。