OpenAI、GPT-LiveとGPT-Live-1 miniをリリース：深層推論をGPT-5.5に委任する全二重音声モデル

OpenAIは本日、新しい音声モデルシリーズ「GPT-Live」をリリースしました。これはChatGPT Voiceエクスペリエンスを強化するもので、自然でリアルタイムな会話を目指しています。最初の2つのバージョン、GPT-Live-1とGPT-Live-1 miniが本日から全世界のChatGPTユーザーに展開されます。

GPT-Liveは全二重アーキテクチャに基づいて構築されており、モデルは同時に聞きながら話すことができます。会話中に「うん」や「はい」といった短い合いの手を入れたり、素早いやり取りをしたり、ユーザーが考えている間は静かに待つこともできます。ウェブ検索、深い推論、複雑な作業が必要な場合、GPT-Liveはそのタスクをバックグラウンドのフロンティアモデルに委任し、結果が準備できた時点で会話に戻します。ローンチ時点では、そのバックグラウンドモデルはGPT-5.5です。フロンティアモデルが作業している間もGPT-Liveは会話を続けます。

初期の音声システムは自然な会話に近づくためのトレードオフがありました。カスケード型音声システムは、ターンごとに音声認識、大規模言語モデル、音声合成の3つのモデルを直列に接続していました。これにより初めてフロンティアモデルと話すことが可能になりましたが、モデル間で情報が失われ、応答が遅くぎこちないものでした。ターンベースの音声モデル（ChatGPT Advanced Voice Modeなど）は、単一モデル内で音声を処理し、遅延を減らして会話をスムーズにしましたが、依然として離散的なターンで動作し、ユーザーが話し終えるのを待つ必要がありました。ターン検出は無音に基づいており、短い間や背景ノイズがターンの終了と誤認され、不自然なタイミングでモデルが割り込む原因となっていました。

GPT-Liveは2つのアーキテクチャ変更でこれらの制限に対処します。第一に、全二重処理による連続的なインタラクションにより、モデルは出力を生成しながら入力を処理し、1秒間に何度もインタラクションの決定（話す、聞き続ける、一時停止、割り込み、ツール呼び出しなど）を行えます。これにより、より自然なやり取りと時間感覚が可能になり、ライブ翻訳も実現します。第二に、連続的なインタラクションとより重い推論を分離し、検索や推論、より高度なエージェント機能が必要なタスクは別のモデル（例：GPT-5.5）がバックグラウンドで処理し、GPT-Liveは会話を続けます。この設計により、新しいフロンティアモデルがリリースされた際にGPT-Liveがそれを採用することも容易になります。

OpenAIは、快適さと会話の流れを測定する新しい人間評価を構築しました。評価者はマッチングされた5〜10分の会話でモデルを比較しました。これらの直接対決テストでは、GPT-Live-1とGPT-Live-1 miniはAdvanced Voice Modeよりも強く好まれました。自動ベンチマークでは、GPT-Live-1はGPQA（専門家レベルの科学推論）、BrowseComp（エージェント型ウェブ検索）、τ³-Voice Telecom（マルチターン通信サポートタスク）でAdvanced Voice Modeを上回る成果を示しました。

GPT-Liveのユースケースには、ハンズフリーアシスタンス、言語練習、ライブ翻訳、移動中の研究、サポートワークフロー、視覚的なルックアップ（天気、株価、スポーツカード）などがあります。APIはまだ利用できませんが、OpenAIはアーキテクチャの教育用シミュレーションを提供しています。

ChatGPT Voiceの変更点：毎週1億5000万人以上がChatGPT VoiceとDictationを使用しています。Voiceボタンをタップすると、GPT-Liveエクスペリエンスが使用されるようになります。会話は割り込み、一時停止、速度ダウンの要求をサポートします。モデルは「うん」や「わかった」などの合図であなたを認識します。OpenAIはGPT-Live用に9つの異なる声をリマスターしました。推論レベル（Instant、Medium、High）を選択できます。リスニングが改善され、ユーザーの間で飛び込む代わりに待つようになりました。騒がしい環境でもより集中できます。音声は天気、株価、スポーツの視覚カードを表示できるようになりました。検索、メモリ、画像、ファイルアップロードも引き続きサポートされます。