OpenAI、聞きながら話せる次世代音声モデル「GPT-Live」発表　ChatGPTに順次搭載

要点

• 米OpenAIは、より自然な人間とAIの対話を可能にする次世代音声モデル「GPT-Live」を発表した。

• 送信と受信を同時に行う「フルデュプレックス」アーキテクチャの採用により、聞き取りと発話を同時に行えるようになった。

• 高度な推論やWeb検索が必要なタスクでは、会話のテンポを崩さずにバックグラウンドで最新モデル「GPT-5.5」へ処理を委譲する。

• 「GPT-Live-1」と「GPT-Live-1 mini」の2バージョンが、本日より世界のChatGPTユーザー向けに順次ロールアウトされる。

• 米OpenAIは2026年7月8日（現地時間）、人間とAIのインタラクション（ユーザーとシステムの間で行われる相互作用）を劇的に向上させる次世代音声モデル「GPT-Live」を発表した。本モデルは同日より「ChatGPT Voice」の新機能として世界のユーザー向けに順次提供が開始され、将来的にはAPIを通じた開発者や企業向けへの提供も計画されている。

• 従来の音声AIシステムでは、ユーザーの発話が終わるのを待ってから応答する「交互のやり取り」が限界だったが、GPT-Liveは聞きながら同時に話すという、人間同士の対話に近い柔軟なコミュニケーションを実現している。

従来の音声システムが抱えていた課題

OpenAIは、これまでの音声AIアプローチにおけるトレードオフを振り返り、新モデルの開発背景を説明している。

初期の「カスケード型（複数の処理モデルを直列に繋ぎ合わせる方式）」システムである初代ChatGPT Voiceでは、音声認識（STT）、大規模言語モデル（LLM）、音声合成（TTS）という3つの異なるモデルを連鎖させて動かしていた。この方式はAIとの会話を実現したものの、モデル間での情報の損失や、応答が不自然に遅れてしまうといった課題があった。

その後登場した「ターンベース型（発話と応答を交互に行う方式）」のChatGPT Advanced Voice Modeでは、音声の処理と生成を単一のモデルで行うことで遅延を減らし、会話をスムーズにした。しかし、依然としてユーザーとAIが交互に話す構造であり、モデルはユーザーが話し終えるのを待つ必要があった。また、発話の終了検知を無音状態（沈黙）に頼っていたため、ユーザーが考え込んで少し言葉を止めたり、背景にノイズが入ったりしただけで、AIが不自然なタイミングで会話に割り込んでしまうという欠点があった。

新たなアプローチ：同時処理とバックグラウンド委譲

GPT-Liveは、こうした従来の限界を2つの大きなアーキテクチャ設計の変更によって克服した。

1つ目は、フルデュプレックス（送信と受信を同時に行う双方向通信技術）アーキテクチャの導入による「連続的なインタラクション」である。GPT-Liveは、分割された個別のメッセージを順次処理するのではなく、入力を常に処理しながら同時に出力を生成し続ける。これにより、モデルは1秒間に何度も「今話すべきか」「聞き続けるべきか」「一時停止すべきか」「ユーザーの発話に割り込むべきか」「ツールを呼び出すべきか」といった判断を下せるようになった。この結果、ユーザーが「ふむふむ（mhmm）」や「そうだね（yeah）」といった相槌を打つ声に反応したり、素早い掛け合いを行ったり、ユーザーが考えている間に沈黙を守ったりすることが可能になった。

2つ目は、「対話の制御」と「高度な処理」の切り離し（デカップリング）である。Web検索や深い推論、複雑なタスクの実行が必要になった場合、会話を司るGPT-Liveは、その処理をバックグラウンドで動く別のモデル（ローンチ時は最新のフロンティアモデルであるGPT-5.5）へと委譲する。これにより、AIが裏で複雑な処理を行っている間も、GPT-Liveはユーザーとの対話を途切れさせることなく、スムーズに会話を維持できる。今後、同社が新しいフロンティアモデルをリリースするたびに、GPT-Liveがバックグラウンドで利用するモデルも継続的にアップデートされる仕組みだ。

人間による評価と性能テスト

OpenAIが行った人間による評価において、GPT-Live-1およびGPT-Live-1 miniは、5分から10分程度の会話テストで従来のAdvanced Voice Modeを大きく上回る好評価を得た。この評価では、全体的な好ましさに加え、ターンの交代のスムーズさ、割り込みの自然さ、会話の流れなどが測定された。

さらに、複数の性能測定ベンチマークでも優れた結果を示している。

• GPQA（生物学、化学、物理学におよぶ専門家レベルの科学的推論をテストする指標）：GPT-Live-1はAdvanced Voice Modeを大幅に上回る成績を記録した。
• BrowseComp（自律的なWeb検索や、見つけにくい情報を探索する能力をテストする指標）：GPT-Live-1は従来モデルから強力な向上を示した。
• τ³-Voice Telecom（現実的な複数ターンの通信サポート業務における音声エージェントをテストする社内指標のバリアント）：GPT-Live-1がAdvanced Voice Modeを上回るパフォーマンスを発揮した。

なお、評価においてGPT-Live-1（Instant）とGPT-Live-1 miniはバックグラウンドで「GPT-5.5 Instant」を使用し、GPT-Live-1 MediumおよびGPT-Live-1 Highは、推論の取り組み度合いが中・高レベルの「GPT-5.5 Thinking」モデルをバックグラウンドで使用している。

ChatGPT Voiceにおける新たなユーザー体験

現在、毎週1億5,000万人以上のユーザーがChatGPTの音声機能や口述機能を利用している。本日より、ChatGPTの音声ボタンをタップすることで、GPT-Liveがもたらす新しい音声体験が提供される。

ユーザーは、会話の途中で質問を挟んで割り込んだり、考えをまとめるために話すのを一時的に止めたり、AIにゆっくり話すよう指示したりできるようになる。AIは「ふむふむ（mhmm）」や「わかりました（got it）」などの言葉を自然に挟み、ユーザーの話を理解していることを示す。また、ChatGPTに用意されている9つの個性豊かな音声もGPT-Live向けにリマスターされた。

さらに、ユーザーは求める応答の早さや推論の深さに合わせて、迅速な返答が得られる「Instant」、より多くの思考時間をかける「Medium」や「High」といった推論レベルを自由に選択できる。

提供開始時期と今後の展開

GPT-Liveの2つのバージョン（GPT-Live-1およびGPT-Live-1 mini）は、本日から世界のChatGPTユーザーに向けて段階的に提供が開始されている。また、開発者や企業向けとして、APIへの実装も近い内に行う予定であると公表されており、同社は専用の登録フォームを通じて通知の受付を開始している。