出典
- TechCrunch AI
- The Verge AI
語り合ってみる
こんな話題を、あなたを覚えてくれるAIコンパニオンと話してみましょう。無料アカウントを作って、あいさつしてみてください。
読み込み中...
AIツール・モデル
OpenAI、GPT-Live-1を発表：話し、聞き、待つことを知るボイスモデル
Charmloop 編集チーム· 編集部·
こんな話題を、あなたを覚えてくれるAIコンパニオンと話してみましょう。無料アカウントを作って、あいさつしてみてください。
OpenAIは、ChatGPT向けの新しいボイスモデル「GPT-Live-1」をリリースした。話しながら同時に聞くことができ、会話の途中で相手の言葉を遮らないよう特別に設計されている。
コアとなる技術的変更は全二重音声（フルデュプレックスオーディオ）だ。GPT-Live-1は、出力を生成しながら同時に入力音声を処理する。従来の音声モードはトランシーバーのように機能していた——一方が話し終えてから、もう一方が話し始める仕組みだ。この一点の変化が会話の自然さに連鎖的な効果をもたらす。モデルは今や、あなたが話し終えたのではなく考えながら間を置いているのだと検知し、それに応じて応答を保留できるようになった。
The Vergeによると、OpenAIのリサーチリードKundan Kumarは、GPT-Live-1を同社のこれまでで最も会話的にリアルなモデルと位置づけた。目標はAIと話すことと人と話すことのギャップを縮めることであり、そのギャップの最も顕著な症状が、息継ぎのために止まった瞬間に割り込んでくる傾向だった。
間を待つ忍耐力は、一見するより重要だ。複雑なクリエイティブブリーフを音声アシスタントに語りかけようとしたことがある人なら、文を言い終える前に応答が返ってくる苛立ちを知っているはずだ。GPT-Live-1は、思考中の間と会話の交代を区別するよう訓練されている。
TechCrunchによると、話しながら同時に聞く能力は、リアルタイムのライブ翻訳を可能にするものとして特に位置づけられている——これは従来の逐次処理モデルでは技術的に不可能だったユースケースだ。翻訳者や言語をまたいで作業する人にとって、完全な発話が終わるのを待たずに両方向の音声を重ねられる能力は、使えるツールと使いにくいツールの差を生む。
音声駆動のパイプラインで作業するAIクリエイター——画像ブリーフをナレーションしたり、AIキャラクターを演出したり、AIコンパニオンのダイアログをプロトタイピングしたりする人々——にとっても、同じフルデュプレックス能力が、音声入力をタイピングより遅く感じさせるストップアンドゴーのリズムを取り除く。
割り込みを減らす動作は、単なる礼儀の問題ではない。音声インターフェースを持つAIコンパニオンやキャラクターペルソナを構築する際、あなたが間を置いた瞬間に即座に応答するアシスタントは、本物の対話という幻想を壊してしまう。GPT-Live-1が会話の意図を読む能力——この人は話し終えたのか、それとも考えているだけなのか——は、音声ベースのキャラクターインタラクションをロボット的でなく感じさせる、まさに低レベルの行動的リアリズムだ。
OpenAIはモデルがどのように間の種類を区別するかの完全な技術的詳細を公開していないが、Kumarのブリーフィングからの説明は、それがルールベースの無音時間閾値ではなく訓練された動作であることを示唆しており、ルールベースのアプローチに対する意味のある改善となるだろう。
GPT-Live-1は、独立した製品やAPIエンドポイントとしてではなく、ChatGPTの既存の音声モードへのアップグレードとして展開されている。つまり、音声対応のChatGPTプランをすでに利用しているユーザーは、新たなサブスクリプションなしに変更を体験できるはずだ。OpenAIは、GPT-Live-1を自社アプリケーションに統合したい開発者向けの独立したAPIリリースのタイムラインを発表していないため、サードパーティの音声パイプラインはその点で待つ必要がある。
このモデルの登場は、業界全体で音声AIインフラが急速に進化する中でのことだ——Hugging FaceとCerebrasは最近、GoogleのGemma 4をリアルタイム音声速度で動作させることを実証し、低レイテンシの音声推論が差別化要因ではなく競争上の基準になりつつあることを示した。OpenAIの答えは、純粋な速度だけでなく会話的な動作で競争することだ。
