OpenAIは2026年9月10日、リアルタイム音声モデル「GPT-Live-1」のAPI提供を開始しました。
GPT-Live-1は、ChatGPTの音声モードにも採用されている音声モデルで、人間同士の会話に近い自然なやり取りを実現する「全二重（Full-duplex）」の音声会話に対応しています。
聞きながら話せる音声AI
GPT-Live-1の大きな特徴が、ユーザーの音声を聞くことと、AIが話すことを同時に行えることです。
従来の音声AIでは、ユーザーが話し終わってからAIが応答する「ターン制」の仕組みが一般的でした。
一方、GPT-Live-1では入力音声を継続的に処理しながら音声を生成できます。
そのため、AIが話している途中でユーザーが質問を追加したり、話を遮って内容を変更したり、少し考えるために間を空けたりしても、より自然に対応できるようになっています。
GPT-6 Astraなどに推論を任せることも可能
GPT-Live-1は音声でのリアルタイムなやり取りを担当し、より高度な推論やツールの使用が必要になった場合には、別のAIモデルへ処理を委任することができます。
APIでは、バックエンドのモデルとしてOpenAIの「GPT-6 Astra」を組み合わせることができるほか、OpenAI以外のサードパーティー製のモデルを利用することも可能です。
これにより、GPT-Live-1で自然な音声会話を続けながら、裏側では別のモデルが検索や推論、ツール操作などを処理するといった音声AIを構築できます。
話し方や会話のテンポも調整可能
GPT-Live-1 APIでは、システムプロンプトを利用して、AIの口調や話す速度、会話スタイルなどを自分好みにキャリブレーションできます。
また、周囲の雑音や会話中の沈黙にも対応し、ユーザーが考えている途中に不自然に割り込むことを抑えられるようになっています。
OpenAIによると、語学学習サービス「Speak」の初期評価では、従来のターン制システムと比較して、学習者が考えている最中にAIが割り込むケースが約80％減少したとしています。
電話対応のAIエージェントにも利用可能
GPT-Live-1では電話を利用した音声AIにも対応します。
たとえば、飲食店の予約受付や注文、カスタマーサポートなどで、人間とリアルタイムに会話できるAIエージェントを構築できます。
長時間の会話におけるコンテキスト保持や会話品質についても改善されており、OpenAIは電話を含む長時間の音声セッションでの利用を想定しています。
従来の音声AIよりシンプルな構成に
一般的な音声AIでは、
- 音声を文字へ変換する「STT」
- 回答を生成する「LLM」
- 生成された文章を音声へ変換する「TTS」
という複数のシステムを組み合わせる方式が使われています。
GPT-Live-1では、音声の聞き取りと生成を1つのモデルで処理することで、システム構成をシンプルにしながら、遅延や会話の不自然さを減らせるとしています。
OpenAIの評価では、「Full Duplex Bench」において、従来の「GPT-Realtime-2.1」と比較して30%高い性能を記録したとしています。
音声レイヤーは1分あたり$0.05
GPT-Live-1はOpenAI APIから利用できます。
料金は、音声会話を担当するフロントエンド部分について1分あたり$0.05です。
実際のサービスでは、GPT-Live-1に加えて、用途に応じたバックエンドモデルやエージェントシステムを組み合わせて利用します。
GPT-Liveは7月にChatGPTへ導入
GPT-Liveは2026年7月8日に初めて発表され、「GPT-Live-1」と軽量版の「GPT-Live-1 mini」がChatGPTの音声モードへ導入されました。
GPT-Liveでは、相づちを打ったり、ユーザーが考えている間は静かに待ったり、会話の途中で質問を差し込んだりと、人間同士に近い音声コミュニケーションを目指した設計が採用されています。
今回APIでGPT-Live-1が提供されたことで、ChatGPTだけでなく、外部のアプリやサービスでもGPT-Liveを利用したリアルタイム音声AIを構築できるようになりました。
情報元
