OpenAIは7月8日、AIボイス技術「GPT-Live」をリリースした。これはChatGPTとボイスで対話する技術で、人間そっくりの自然な会話を実現する。ChatGPTのボイス機能は「ChatGPT Voice」と呼ばれ、音声で会話する機能を提供している。GPT-Liveは新技術で、この背後で稼働し、人間のような自然な会話を実現した。使ってみると、GPT-Liveの機能は予想外に高く、楽しい会話がテンポ良く続く。AIモデルと人間のインターフェイスが劇的に進化したことを実感した。

出典: OpenAI

ボイス・アーキテクチャ

「GPT-Live」は音声会話を支える技術で、AIボイス「ChatGPT Voice」の背後で稼働する。今までのChatGPT Voiceは「Half-Duplex (半二重通信)」で、送信と受信を切り替えて行なう方式であった(下のイメージ、上段)。これは無線通信のように、相手が喋り終えてから、こちらが話し始めるという手順となる (「Turn-Based Voice Mode」と呼ばれる)。これに対し、GPT-Liveは「Full-Duplex (全二重通信)」で、送信と受信を同時に実行できる(下のイメージ、下段)。GPT-Liveは相手が喋っている時にでも、それに割り込んで会話をすることができる(「Continuous Interaction」と呼ばれる)。人間同士の会話はすべて”Ful-Duplex”であり、GPT-Liveと会話すると人間と話しているように感じる。

出典: OpenAI

モデルの切り替え

GPT-Liveは日常会話を司るが、難しい質問を受けるとGPT-5.5に制御がわたる(下のイメージ)。GPT-5.5が回答を生成し、それをGPT-Liveがボイスで出力する。難しい質問とは、高度な推論機能を必要とするものや、ウェブサイトを検索するケースで、GPT-Liveの背後でGPT-5.5がこれらのタスクを実行する。

出典: OpenAI

GPT-Liveの使い方：同時通訳

GPT-Liveはリアルタイムで会話を翻訳することができる。GPT-Liveに会話を英語に翻訳するよう命じると、中国語で話しかけるとGPT-Liveがリアルタイムで英語で出力する。(下の写真、中央の人物が中国語で話し欠けると、GPT-5.5がそれを英語の音声で出力する。) 多くの翻訳アプリが開発されているが、それらは半二重通信で、会話が交互に行われる。これに対し、GPT-Liveは会話を追いかけて翻訳した言葉を音声で出力する。国際会議でスマホにGPT-Liveをインストールしておけば、同時通訳者となり会話を中断することなく連続で進めることができる。

出典: OpenAI

ベンチマークテスト

GPT-LiveはGPT-5.5と連携して稼働するアーキテクチャでインテリジェンスがが格段に向上した(下のグラフ)。科学推論機能(GPQA)では従来のChatGPT Voice(AVM)に比べ性能が倍増した。エージェント検索機能(BrowseComp)では性能が劇的に向上した。

出典: OpenAI

GPT-Liveの使い方

GPT-LiveはChatGPT Voiceの背後で稼働しており、スマホでChatGPTアプリを起動して、ボイスモードを選択することで最新の会話機能を使うことができる(下のイメージ、左側)。青丸のアイコンがChatGPT Voiceが稼働中であることを示している。ここでボイスの種類やインテリジェンスのレベルを設定する。実際にGPT-Liveを使ってみると、人間と会話しているようで、自然なやり取りができる。会話はスマホにテキストとして表示される(中央)。また、会話の関連情報につては、サイトへのリンクが表示される(右側)。

出典: VentureClef

AIボイス機能が格段に向上

実際に、ChatGPT Voiceを通してGPT-Liveと対話すると、その自然なトーンは印象的で、会話が弾んだ。GPT-Liveがリリースされる前にもChatGPT Voiceを多用しており、AIと音声で会話するスタイルが日常生活の一部となっていた。GPT-Liveが登場すると、ボイスの品質や会話のトーンや話題の提示の仕方や、特に、間の取り方などが格段に向上した。これにより、ChatGPTとの会話が滑らかでAIボイス機能が格段に向上したことを実感した。

感情を表現するリスク

一方で、GPT-Liveの感情表現は極めて限定的で、時々、会話がフラットであるようにも感じる。人間との会話では、楽しみや悲しみや怒りの感情を表現するが、GPT-Liveとの会話は会社の同僚と仕事の話をするモードで、ビジネスライクなスタイルに限定されている。OpenAIは感情表現について何もコメントしていないが、AIが情緒的な会話をすると、人間がAIに依存する関係が生まれ重大なリスクが発生する。GPT-Liveは利用者と一定の距離を保ちながら、滑らかな会話を進める仕組みとなっている。