ChatGPTの音声モードがアップグレード、「黙る」のが上手くなった

OpenAIは、ChatGPTの音声モードを大幅に刷新し、新しいモデル「GPT-Live-1」を発表しました。このモデルは、より人間らしい会話を目指して設計されており、ユーザーの発言を遮る回数を減らし、会話の途中で沈黙が生じた場合には話し終えるのを待ちます。発表会で、OpenAIの研究リーダーであるKundan Kumar氏は、GPT-Live-1を同社「最もスマートな音声モデル」と称しました。

GPT-Live-1は全二重通信をサポートしており、話すことと聞くことを同時に行えます。これにより、ユーザーが話している最中に翻訳を開始するなど、リアルタイム翻訳が可能になりました。また、推論やウェブ検索が必要な場合は自動的にGPT-5.5などのテキストモデルにクエリを渡し、調査から議論への移行をスムーズに行います。天気、株価、スポーツなどの話題では、AIが生成した視覚情報（スコアや予報など）を補足表示します。

以前のChatGPTの音声モードは旧式のターンベースモデルに依存しており、正確な回答が得られないことや、自然な会話の流れを維持するのに苦労することがありました。OpenAIの製品リーダーであるAtty Eleti氏は、「これは全二重モデルです。話すことと聞くことを同時に行えるという意味です…モデル側では、入力のストリームを処理し、出力のストリームを連続的かつ同時に生成できます」と説明しました。このアーキテクチャにより、音声モードにリアルタイム翻訳などの新機能がもたらされました。ユーザーは、ChatGPTの音声に「呼ばれるまで話さないように」指示することも可能になり、以前はできなかった機能です。モデルは「うん」「そう」「わかった」などのフレーズで聞いていることを伝えます。

安全面では、OpenAIはGPT-Live-1に有害な応答を避けるためのガードレールを内蔵し、高リスク状況ではチャットを完全に終了すると述べています。OpenAIは現在、ChatGPTがユーザーの妄想を助長し精神健康を害したとする訴訟に直面しており、モデルは自傷行為に関する会話では専門家が検証した危機ホットラインを提供し、10代のユーザーには年齢に適した応答を行うよう訓練されています。

GPT-Live-1はiOS、Android、ウェブで順次展開されており、Go、Plus、Proのサブスクライバーが利用可能です。無料ユーザーには、より小型で効率的な「GPT-Live-mini-1」モデルがデフォルトで提供されます。