OpenAIは7月8日、ChatGPTの音声モードを支える新しい音声モデル「GPT-Live」を発表した。同日より「GPT-Live-1」と「GPT-Live-1 mini」の2バージョンを、世界中のChatGPTユーザーに順次展開する。APIでの提供も近日中に予定しており、開発者や企業は登録フォームから通知を受け取れる。
従来の音声AIは、発話を文字起こしする音声認識モデル、応答を生成する大規模言語モデル、それを再び音声に変換する音声合成モデルを順番につなぐ「カスケード型」が主流だった。ChatGPTの高度な音声モードはこれを単一モデル内で処理しレイテンシを縮めたが、ユーザーが話し終えるのを待ってから応答する「ターン制」の構造は残っていた。沈黙を基準にターンの終わりを判定するため、短い間や周囲の雑音を発話終了と誤認し、不自然なタイミングで割り込むことがあったという。
GPT-Liveは全二重アーキテクチャを採用し、出力を生成しながら入力を継続的に処理する。話す、聞き続ける、一時停止する、割り込む、ツールを呼び出すといった判断を1秒間に何度も行えるため、「うんうん」「はい」といった相槌を挟みながら相手の発話を受け止められる。さらに、ウェブ検索や複雑な推論が必要な場面では、会話を続けたままバックグラウンドでGPT-5.5に処理を委任する。提供開始時点ではGPT-5.5即時モードを使用し、今後リリースされるフロンティアモデルに順次切り替えていく方針という。
評価では、条件をそろえた5〜10分の会話比較で、GPT-Live-1とGPT-Live-1 miniが高度な音声モードよりも好まれた。専門的な科学推論を問うGPQAや、エージェント的なウェブ検索能力を測るBrowseCompでも高度な音声モードを上回ったとしている。ChatGPTでは毎週1億5000万人以上が音声機能を利用しており、GPT-Live-1はGo・Plus・Proユーザー向けのデフォルトモデルに、GPT-Live-1 miniはFreeユーザー向けのデフォルトになる。動画付き音声や画面共有には現時点で対応していない。
