GPT-Live: ChatGPTの音声対話は「ターン制」をやめた¶

対象 / ポイント

対象: ChatGPT Voice利用者、語学練習ユーザー、音声エージェント設計に関心があるエンジニア

ポイント:

GPT-Liveは、聞きながら話す全二重アーキテクチャをChatGPT Voiceに入れる
検索や深い推論は、背後のGPT-5.5へ委譲して会話の流れを止めない
日本語品質、動画、画面共有、API提供状況は導入前に確認が必要だ

2026年7月8日、OpenAIは新世代の音声モデル「GPT-Live」を発表した¹。 ChatGPTの音声対話は、相手が黙ったら返す仕組みから、聞きながら返す仕組みへ寄る。 今回の変化は、会話をターン列として扱う前提の変更である。

本記事の問いは1つだ。GPT-Liveで何が変わり、ChatGPT Voiceを使う側はどこを確認すべきか。

何が発表されたのか¶

GPT-Liveは、ChatGPT Voiceの新しい既定モデルとして順次展開される。 OpenAIは、GPT-Live-1とGPT-Live-1 miniの2種類を発表した。 Go / Plus / ProではGPT-Live-1、FreeではGPT-Live-1 miniが既定モデルになる¹。

展開先はiOS、Android、ChatGPT.comだ。 Business、Enterprise、Eduワークスペースはローンチ時点で対象外だ²。

体験面の変化は具体的だ。話している途中で割り込める。考え込んで黙っても、モデルは急いで返さず待つ。相槌を打ちながら聞き、「黙って聞いて」と頼めば聞き役に回る¹。

API提供はまだ始まっていない。OpenAIは通知登録フォームを公開している⁴。

なぜ従来の音声対話は「ターン制」だったのか¶

従来の音声AIは、発話の終わりを見つけてから返す必要があった。 初代ChatGPT Voiceのようなカスケード型では、音声認識、LLM、音声合成が直列に並ぶ¹。

音声入力 -> 音声認識 -> テキスト -> LLM -> テキスト -> 音声合成 -> 音声出力

この方式では処理が遅くなる。さらに、声のトーンや間のニュアンスがテキスト化の途中で落ちる。「まだ考えている」「強調している」といった手がかりが弱くなる。

Advanced Voice Modeは、単一モデルで音声を直接処理して遅延を縮めた。ただし、OpenAIの説明では離散的なターン構造は残っていた¹。沈黙を発話終了として検知するため、考える間や背景雑音が誤った割り込みにつながる。

世代	方式	構造	主な制約
第1世代	カスケード型	STT、LLM、TTSを直列接続	遅延が大きく、音声情報が落ちる
第2世代	ターン制	単一モデルで音声を直接処理	沈黙検知に依存し、不自然な割り込みが起きる
第3世代	全二重	入力処理と出力生成を同時継続	動画付き音声、画面共有、APIはローンチ時点で未対応

ここでGPT-Liveは、会話の単位を「ターン」から「連続した相互作用」へ移す。

GPT-Liveの設計変更¶

中心にある変更は、全二重と委譲の2つだ。 片方は会話の流れを自然にし、もう片方は重い作業で会話を止めない。

全二重: 聞きながら話す¶

GPT-Liveは入力の処理と出力の生成を同時に走らせる。 OpenAIは、モデルが1秒間に何度も「話す、聞き続ける、間を置く、割り込む、ツールを呼ぶ」を判断すると説明している¹。

この変更で、沈黙検知は主役ではなくなる。ユーザーが言い直す途中でも追従しやすく、考える間も会話の一部として扱いやすい。 OpenAIはライブ翻訳のような用途にも触れている¹。

委譲: 重い処理をGPT-5.5へ渡す¶

GPT-Live自体は連続的な対話に寄せられている。 Web検索、深い推論、複雑な処理が必要なときは、背後のフロンティアモデルへ委譲する。ローンチ時点の委譲先はGPT-5.5である¹。

ユーザーが質問 -> GPT-Liveが会話を継続
               -> 背後でGPT-5.5が検索・推論
               -> 結果が返り次第、会話に合流

推論レベルはInstant、Medium、Highから選べる。 GPT-Live-1 InstantとGPT-Live-1 miniはGPT-5.5 Instantを背後で使う。 MediumとHighではGPT-5.5 Thinkingが使われる¹。

この分離には実装上の含意がある。音声対話モデルを作り直さなくても、背後の知能層を新しいモデルへ差し替えられる。音声エージェント設計では、対話層とタスク実行層を分ける発想がより重要になる。

Advanced Voice Modeとの比較で見るべき点¶

OpenAIの評価では、GPT-Live-1とGPT-Live-1 miniはいずれもAdvanced Voice Modeより強く選好された。 対象は5分から10分の会話で、会話の流れや自然さなどが評価項目になっている¹。

知能面でも、GPT-Live-1はGPQA、BrowseComp、τ³-Voice TelecomでAdvanced Voice Modeを上回ったと説明されている¹。ただし、この結果はGPT-5.5への委譲を含む体験の評価として読む必要がある。

ここを分けないと、音声モデルだけが賢くなったように見える。実際には、自然な会話を保つモデルと、難しい作業を処理するモデルを組み合わせた結果である。

日本語ユーザーが確認すべき制約¶

導入前に見るべき制約は、言語品質、対応機能、利用環境の3つである。 OpenAIは、一部言語でネイティブでない訛りや流暢さの欠落があり得ると説明している¹。

日本語がどの水準にあるかは、公式発表だけでは判断できない。語学練習、接客、議事録補助のように発音や言い回しが重要な用途では、自分の業務条件で試す必要がある。

機能面では、Liveはローンチ時点で動画付き音声や画面共有に対応しない¹²。これらが必要な場合はAdvanced Voice Modeを使う場面が残る。一方、2026年7月23日のデスクトップ版26.715で、VoiceはChat、Work、Codexへ拡張された。最新の提供範囲はデスクトップ版ChatGPT Voiceの解説で確認できる。

安全面では、System Cardに追加の説明がある。 GPT-Liveは会話中の入力と生成出力を確認し、高リスク時は応答修正や会話終了を実施する設計だ³。実在人物の声まねではなく、ChatGPT内の定義済み音声で動く¹。

まとめ: 薄い対話層と交換可能な知能層¶

GPT-Liveの本質は、音声応答の改善だけではない。リアルタイムで会話を保つ薄い対話層と、背後で差し替えられる知能層を分けたことにある。

この構造は、音声エージェント全般の設計にも効く。低遅延の会話、重い推論、検索、ツール実行を1つに押し込まず、役割を分けて接続する。 GPT-Liveは、その分離をChatGPT Voiceの表面に出した事例だ。

開発者にとっての次の論点は、API提供後に始まる。どの音声モデルを選ぶかではなく、会話を保つモデルと作業を進めるモデルをどう組み合わせるかが設計の中心になる。