2026年7月8日、OpenAIは、ChatGPTの音声モードを支える新しい音声モデル「GPT-Live」を発表しました。GPT-Liveは、人の話を聞くこととAIが話すことを同時に進められる仕組みを取り入れており、短い相づち、会話の途中での質問、考えるための間にも対応します。検索や時間をかけた検討が必要な質問では、会話を続けながら別の高性能モデルに処理を任せることもできます。
対応地域の個人向けChatGPTプランへ順次提供されており、音声AIは質問への回答だけでなく、相談しながら情報を整理する存在へ変わろうとしているため、本プロジェクトの詳細を考察します。
音声AIの会話方式を変えるGPT-Live
これまでの音声AIでは、人が話した内容を文字に変え、その文章をAIが読み取り、作成した答えを再び音声にする方法が広く使われていました。初期のChatGPT音声モードも、音声の聞き取り、回答の作成、音声での読み上げを、それぞれ別のモデルが担当していました。複数の処理を順番に行うため、途中で情報が失われる可能性があり、返答までに長い間が生まれることもありました。
その後に登場した高度な音声モードでは、一つのモデルで音声を聞き取り、そのまま答えられるようになりました。しかし、基本的には利用者が話し終わるまで待ってから返答する方式でした。利用者が考えるために少し黙った場合や、周囲で物音がした場合に、会話が終わったと判断してAIが話し始めることもありました。人が話す時間とAIが話す時間がはっきり分かれていたため、人同士の会話と比べると、やり取りが少し固く感じられる場面がありました。
GPT-Liveでは、聞くことと話すことを同時に進める「全二重」と呼ばれる仕組みが採用されています。GPT-Liveは、相手の声を聞き続けながら、自分が話すか、少し待つか、相づちを打つかといった判断を1秒間に何度も行います。利用者が会話の途中で質問を加えたり、考えをまとめるために間を置いたりした場合にも、状況に合わせて対応しやすくなりました。
GPT-Liveで広がる音声モードの使い方
GPT-Liveの特徴は、会話が自然になったことだけではありません。質問の内容に合わせて答え方を変えたり、検索結果を画面にも表示したりすることで、日常生活のさまざまな場面で使いやすくなっています。ここでは、利用者が実際に感じやすい変化を三つの視点から紹介します。
質問に合わせて答え方の深さを変えられる
新しいChatGPT音声モードでは、すぐに答えてほしい質問と、時間をかけて考えてほしい相談に合わせて、答え方の深さを変えられます。OpenAIは、すばやい返答を行う「Instant」に加え、より時間をかけて考える「Medium」と「High」を用意しています。ただし、表示される設定や使える範囲は、プラン、地域、アプリのバージョンなどによって異なります。
簡単な質問ではGPT-Liveがすばやく答えます。一方、ウェブ検索や詳しい検討が必要な場合は、GPT-Liveが会話の窓口を担当し、別の高性能モデルに調査や考える処理を任せます。提供開始時点では、こうした処理にGPT-5.5が使われています。調査が進んでいる間もGPT-Liveとの会話を続けられるため、結果が出るまで何もせずに待つ時間を減らせます。
普段の話し方に近い形で利用できる
音声AIを使う場所は、静かな部屋だけではありません。通勤中、料理中、片付けをしているときなど、周囲に音がある場所で使うこともあります。GPT-Liveを使った音声モードでは、車の音や近くの会話などが聞こえる環境でも、利用者の声に集中しやすいよう改善されています。少し考える時間を取った場合も、以前よりすぐに割り込まず、続きを待てるようになりました。
利用者は「もう少しゆっくり話してほしい」「今は静かに聞いていてほしい」といった希望も伝えられます。また、「うんうん」「分かりました」といった短い言葉で話を聞いていることを示すため、長い説明をしているときにも、会話が途切れたように感じにくくなります。ChatGPTに用意されている9種類の音声も、GPT-Live向けに調整されています。
声だけでなく画面でも情報を確認できる
音声で聞くだけでは、数字、場所、予定などを覚えにくいことがあります。新しい音声モードでは、天気、株価、スポーツなどについて質問した場合に、会話を続けながら画面に見やすいカードを表示できます。天気予報を一覧で見たり、試合予定を確認したり、近くの場所を地図で探したりできるため、耳で聞いた内容を目でも確かめられます。
検索、メモリ、画像、ファイルのアップロードにも引き続き対応しています。たとえば、資料や画像を見せながら質問したり、過去の会話をもとに相談したりできます。音声だけですべてを説明するのではなく、内容に合わせて画面表示を組み合わせることで、情報を理解しやすくなります。
評価結果と安全対策から見るGPT-Live
音声AIは、返答が速いだけでは使いやすいとはいえません。長く話しても疲れにくいか、複雑な質問にも対応できるか、安心して利用できるかといった点も大切です。GPT-Liveでは、会話の心地よさや回答力を確かめる評価に加え、音声ならではの問題を想定した安全対策も用意されています。ここでは、公開された評価結果、安全への取り組み、現在の提供条件を整理します。
会話の自然さと回答力を複数の方法で確認
OpenAIは、正解できる問題の数だけでなく、人が実際に話したときの心地よさも調べています。5分から10分ほどの会話を比べた評価では、従来の高度な音声モードよりGPT-Live-1を選んだ割合が75.7％、GPT-Live-1 miniを選んだ割合が69.2％でした。話す順番、割り込みのタイミング、会話全体の流れ、やり取りの自然さなどを含めて比べています。
科学に関する難しい問題を扱う「GPQA」や、ウェブ上から見つけにくい情報を探す力を調べる「BrowseComp」でも、GPT-Live-1は従来の高度な音声モードを上回る結果を示しました。また、時間をかけて考えるMediumやHighでは、すばやく答える設定より高い結果が示されています。質問に合わせて考える時間を変えることが、回答の質にも関係しているとみられます。
音声での会話に合わせた安全対策
音声でのやり取りは文章よりも速く進み、声の調子によって親しみを感じやすくなります。そのため、利用者がAIを人間のように受け止めたり、気持ちの面で頼りすぎたりする可能性にも注意が必要です。GPT-Liveでは、自傷、心が不安定な状態、AIへの頼りすぎ、暴力、性的な内容などを対象に、安全性を確かめるテストが行われています。
会話中に危険な内容が出る可能性をシステムが見つけた場合は、より安全な回答へ切り替えたり、支援先の情報を画面に表示したりします。危険性が高い場合には、音声での会話を終了することもあります。自傷に関わる相談では、専門家が確認した支援先を案内する仕組みも音声向けに調整されています。
10代の利用者に対しては、年齢に合った受け答えをするための追加対策も行われています。保護者は、ペアレンタルコントロールを使い、10代の子どもが音声モードを利用できるかどうかを設定できます。また、GPT-Liveは実在する人物の声をまねるための機能ではなく、ChatGPTにあらかじめ用意された音声を使います。
利用できるプランや機能には違いがある
GPT-Liveは、対応地域の個人向けChatGPTプランを対象に、iOS、Android、ChatGPTのウェブ版へ段階的に提供されています。有料プランではGPT-Live-1、無料プランではGPT-Live-1 miniが使われます。ただし、順次提供されるため、同じプランでも地域やアプリのバージョンによって、すぐに表示されない場合があります。
提供開始時点では、ChatGPT Business、Enterprise、Eduの各ワークスペースではGPT-Liveを利用できません。パソコン向けのChatGPTアプリ、一時チャット、Work、Codex、カスタムGPTにも対応していません。これらの環境では、それまで提供されていた音声モードを引き続き利用できます。開発者がGPT-Liveを自社のサービスに組み込むためのAPIは、今後提供される予定です。
「質問に答えるAI」から「一緒に進めるAI」へ
GPT-Liveの登場によって、音声AIの役割は、聞かれたことに一度だけ答えるものから、会話を続けながら情報を整理する存在へ変わりつつあります。従来は、利用者が質問をしてAIの回答を待ち、その内容を確認してから次の質問をする流れが一般的でした。GPT-Liveでは、検索や詳しい検討が進んでいる間にも会話を続けられるため、途中で希望を加えたり、質問の方向を変えたりできます。
この仕組みは、最初から質問をきれいにまとめる負担を減らす可能性があります。旅行の計画、学習方法の相談、仕事の手順整理などでは、話している途中で目的や優先したいことが見えてくる場合があります。GPT-Liveであれば、まだまとまりきっていない考えを少しずつ伝えながら、必要な情報を探してもらえます。
また、GPT-Liveが会話を担当し、時間のかかる調査や検討を別のモデルが担当することで、話しやすさと回答の質を分けて高められる可能性があります。人は完成した答えを待つだけではなく、途中の会話を通じて条件を見直し、自分に合った結論へ近づきやすくなります。
ただし、自然に話せるからといって、ChatGPTが人と同じように状況を理解しているわけではありません。間違った内容を答える可能性も残ります。特に、健康、お金、契約、仕事上の重要な判断では、情報を別の資料や専門家にも確認し、最後は人が決める必要があります。GPT-Liveは人の判断を置き換えるものではなく、考えを整理し、情報を探す手助けをする身近な道具として活用が広がると考えられます。
今後の展望
GPT-Liveは、音声で自然に話せる機能にとどまらず、作業をしながら情報を確認し、相談しながら次の行動を決めるための入口になる可能性があります。ここからは、OpenAIが発表した会話の仕組み、別モデルとの連携、ライブ翻訳などをもとに、今後考えられる活用方法を三つの視点から考察します。以下の内容は将来の可能性を考えたものであり、現時点で提供されている機能や導入事例を示すものではありません。
手を止めずに使える現場向けアシスタント
GPT-Liveは、製造、物流、店舗、設備点検など、作業中にスマートフォンやパソコンを操作しにくい現場で役立つ可能性があります。これまでのチャットでは、作業を止めて画面を開き、文字を入力し、表示された回答を読む必要がありました。音声で自然に相談できれば、作業を大きく中断せず、その場で確認したいことを伝えられます。
GPT-Liveは、相手の話を聞きながら、話すか、待つか、短く返事をするかを判断できます。作業者は一度の質問ですべてを説明する必要がなく、「右側から変な音がする」「昨日より温度が高い」といった情報を後から付け加えられます。必要に応じて別のモデルに検索や詳しい確認を任せながら、会話を続けられる点も現場で使いやすい特徴になると考えられます。
今後APIが提供され、企業側が本人確認、利用できる情報の範囲、記録の管理などを整えたうえで、作業手順書や点検記録とつなげられれば、現場向けの案内役として活用できる可能性があります。たとえば、設備を点検しながら状況を声で伝えると、確認する場所を順番に案内し、過去に似た問題がなかったかを調べる使い方が考えられます。
問い合わせ対応が手続きの案内役へ変わる
企業の問い合わせ窓口では、GPT-Liveを使うことで、質問に答えるだけではなく、利用者が目的を達成するまで案内を続ける音声対応が実現する可能性があります。現在の自動音声案内では、番号を押したり、決められた言葉を話したりする必要があります。相談内容が少し複雑になると、利用者の希望をうまく伝えられない場合もあります。
GPT-Liveのように、会話の途中で話を加えたり、言い直したりできる仕組みであれば、利用者は普段に近い話し方で困りごとを説明できます。「荷物が届かない」と話した後に、「昨日届く予定だった」「留守にはしていない」と情報を追加することもできます。最初から内容を順番どおりに整理して伝える負担が少なくなると考えられます。
将来、APIを通じて予約、配送、契約情報などのシステムと安全につながれば、AIが相談内容を整理し、必要な情報を確認しながら、次にできる手続きを案内する使い方も考えられます。複雑な相談では、会話の要点をまとめて人の担当者へ渡すことで、利用者が同じ説明を最初から繰り返す負担を減らせる可能性があります。GPT-Liveが会話を担当し、別のモデルが検索や確認を行う仕組みは、このような対応につながるとみられます。
異なる言語を話す人同士の橋渡し
GPT-Liveは、異なる言語を話す人同士の会話を助ける用途にも広がる可能性があります。一般的な翻訳ツールでは、一人が話し終わってから翻訳し、次の人が返事をする流れになりやすく、会話が何度も止まります。GPT-Liveは、音声を聞き続けながら返答できるため、将来は翻訳を挟んでいることを強く意識せずに話せる場面が増えると考えられます。OpenAIも、GPT-Liveの仕組みによってライブ翻訳ができると説明しています。
活用できる場面は、旅行やホテルの案内だけではありません。海外の取引先との打ち合わせ、外国人従業員への作業説明、自治体の生活案内、学校と保護者の連絡などでも役立つ可能性があります。「難しい言葉を使わずに説明してほしい」「相手に失礼のない言い方にしてほしい」と途中で頼めれば、単に言葉を置き換えるだけでなく、相手に伝わりやすい形へ調整できます。
音声で聞き取れなかった場合に言い直してもらったり、大切な内容を画面にも表示したりすることで、耳だけに頼らず確認できます。GPT-Liveを使う音声モードは、文字や画像と同じ会話の中で利用でき、対応する内容では視覚的なカードも表示できます。音声と画面を組み合わせることで、数字、場所、予定などの間違いを減らしやすくなります。
