GPT-Live-1は、私がこれまで使った中で最も自然に聞こえる音声モデルです。断言します。聞きながら同時に話し、割り込みにも上手に対応し、従来の音声AIをトランシーバーのように感じさせたロボットじみた交互のやり取りをなくしました。
問題は、それが何で「ない」かです。GPT-Live-1は音声レイヤーであって、推論エンジンではありません。難しい思考は別のバックエンドモデルに任せ、APIでは音声レイヤーだけで1分あたり定額$0.05を課金します。つまり、このモデルは唯一の仕事では優秀ですが、その裏側の知性は自分で構築し、費用を負担する必要があります。
一般のChatGPTユーザーにとって結論は簡単です。有料プランなら無料で、明らかなアップグレードです。開発者、特にカスタマーサポートへの導入を検討している人にとっては、話はもう少し複雑です。分単位の課金は、解決した問題ではなく通話時間に対して課金されるからです。
なぜこのレビューを書くのか、そして私の立場
私はeeselでプロダクト機能とAIエージェントを開発しており、チームは3年以上にわたって実際のサポートキューにAIエージェントを投入してきました。この立場が、音声モデルを評価する視点を形作っています。自信満々に聞こえるボットが顧客に静かに誤った答えを渡すのを見てきたので、私たちは現在、すべての導入を本物の人と話す前に、その企業の過去のチケットでシミュレーションしています。だからGPT-Live-1のようなものを試すときは、「良く聞こえるか」だけでなく、「間違えたときに何が起こり、正しくするための部分を誰が負担するのか」を問います。
これはモデルそのものの実機レビューです。使い心地、内部の仕組み、強み、つまずく点、そして会話型サポートに音声を検討している場合の意味を扱います。仕組みについてはOpenAI自身のローンチ資料、受け止められ方については実際のユーザーの声に基づいています。
GPT-Live-1とは実際に何か
GPT-Live-1はOpenAIの第3世代の音声モデルで、2026年7月にChatGPT Voice内で最初に提供され、2026年9月10日にAPIで公開されました。最大の特徴はフルデュプレックスアーキテクチャです。話し終わるのを待ち、終わったと推測してから考え始めるのではなく、モデルが聞きながら同時に話せます。
小さなことのように聞こえますが、そうではありません。従来の音声システムは、あなたが話し終えたタイミングを判断する小さな「ターン検出」モデルに頼っていました。早く推測しすぎると話を遮り、遅すぎると反応が鈍く感じられます。GPT-Liveはこの検出器を音声経路から完全に取り除いたので、やり取りが人間のタイミングに近づきます。実際には、あなたが話している最中に「うんうん」と相づちを入れ、考えて間を置くときは黙り、文の途中で割り込んでも流れを見失いません。
これは、音声認識、モデル、音声合成を直列に実行する従来のカスケード型パイプライン、つまり連結型の音声スタックを置き換えます。ElevenLabsやCartesia Sonicのようなものを別の推論モデルと組み合わせて音声スタックの価格を見積もったことがあるなら、GPT-Live-1はその大部分を1つのモデルにまとめてくれます。医療分野の開発者Tony Stoyanov氏は、移行によってチームが2万3000行のコードを削減し、コードベースを約80%シンプルにできたと述べています。
内部の仕組み
ここが本当に巧妙だと思う部分で、料金と限界を理解する鍵でもあります。GPT-Live-1は音声モデルに会話を任せ、それ以外をすべてライブ経路から追い出します。
質問にウェブ検索、本格的な推論、ツール呼び出しが必要な場合、音声モデルは別の非同期経路でバックエンドのフロンティアモデルに委任し(ローンチ時はGPT-5.5)、その処理がバックグラウンドで走る間もあなたと話し続けます。OpenAIは旧来のPython実装を置き換えるためにメディアフロントエンドをGoで作り直し、転送にWebRTCを使い、新システムのp95レイテンシが旧システムのp50に匹敵すると報告しています。結果は明快な分業です。止まってはならない小さく高速な音声ループと、会話を止めずにじっくり時間をかけられる低速な「頭脳」です。
このアーキテクチャのせいで、実際のコストは単一の数字ではなくスタックになります。APIでは3つの層に支払います。
- 音声レイヤー:GPT-Live-1自体の定額$0.05/分。
- バックエンドモデルのトークン:ルーティング先の推論モデルの費用。別請求で、思考の深さによって変動します。
- エージェントのハーネスとツール:フレームワーク、検索、そしてチケットシステムへの書き込みなど。
つまり率直に言えば、$0.05/分は下限であって請求額ではありません。詳しい計算は、姉妹記事のOpenAI APIコスト解説で内訳を示しています。
本当に優れている点
評価すべきところは評価しましょう。成果は本物です。
**自然さは段違いです。**OpenAIによれば、GPT-LiveはFull Duplex Benchで前モデルのGPT-Realtime-2.1よりおよそ30ポイント高いスコアを記録し、ブラインドテストでは従来のAdvanced Voice Modeより約75.7%の確率で好まれました。これを基盤に開発しているパートナー、たとえば語学アプリのSpeakは、不要な割り込みを約80%減らせたと報告しています。この数字は私の実感と一致します。自分の発話のターンを意識的に管理するのをやめたのは、このモデルが初めてです。
**組み合わせ次第で十分賢いです。**中程度の推論負荷のバックエンドモデルと組み合わせた場合、OpenAIはGPT-LiveをエージェントベンチマークTau3のトップに位置づけています。委任の仕組みにより、バックエンドを接続すれば、低遅延のチャットとフロンティアモデルの推論の両方が得られます。
**コンシューマ向けでは手間いらずです。**ChatGPTでは分単位のメーターが一切ありません。GPT-Live-1はGo、Plus、Proのデフォルト音声モデルで、FreeではGPT-Live-1 miniがデフォルトです。初日からiOS、Android、ウェブで世界中に展開されました。
このモデルは、音声会話の最中に地図やスケジュールのような視覚的な回答を表示することもできます。そのため、運転中や料理中に話しかけるという使い方は、従来の音声アシスタントよりうまく機能します。
つまずく点
公平なレビューは限界をはっきり述べます。導入を決める前に知っておくべき点がいくつかあります。
**フロンティアモデルではなく、それは表れます。**GPT-Live-1は推論を引き渡す音声レイヤーなので、委任しない場合、自身の回答は浅かったり、ときどき変だったりします。Hacker Newsのあるユーザーは率直にこう述べました。
"GPT-Live isn't a particularly intelligent model. It needs to handoff for reasoning and more complex tasks. You shouldn't expect its responses to be as reliable as a frontier model. It will sometimes say odd things."
**会話のクセが気になることがあります。**人間らしく感じさせる反射的な反応が、出しゃばりすぎに転じることもあります。よくある不満は、考え中の間に割り込み、こちらの言葉を言い換えすぎるというものです。
"The new gpt-live feature tends to interrupt with 'human' sounding injections like 'hmm', 'huh' a bit too much for my liking. Also its crutch is to start by paraphrasing what I just said to it... after every single thing I say it starts to feel a bit much."
とはいえ、実際の利用では好意的な声も多くあります。あるレビュアーはCarPlay経由でフランス語の練習に使い、回答の途中での言語の切り替えを「驚くほどうまく」こなしたと述べています。受け止められ方は、新しいインターフェースによくあるように賛否混在で、一様に否定的というわけではありません。
**カスタムボイスとエンタープライズ機能は制限されています。**独自のブランドボイスを作るには「営業に問い合わせ」のフローを通る必要があり、OpenAIのエンタープライズ向け音声製品Presenceは、別のレイヤーとしてその上に位置します。セルフサービスAPIで得られるのはモデルであり、製品全体ではありません。
私の評価(スコア付き)
実務で音声モデルを評価するときに本当に重視する観点ごとに、GPT-Live-1をこう採点します。
GPT-Live-1がカスタマーサポートにもたらす意味
ここでサポート担当の帽子をかぶり直します。サポートに音声を使う場合こそ、分単位モデルが面白く、少しリスクもあるからです。
分単位の課金は、成果ではなく通話時間に課金します。語学チューターや予約ボットなら問題ありません。サポートでは、望ましいインセンティブが逆転します。10分間の通話でイライラした顧客がエスカレーションに至るほうが、90秒で落ち着いて解決した顧客よりコストがかかります。本当の成果は後者のやり取りなのにです。初回解決率を報告しているなら、分単位で動くメーターは間違ったものを測っており、サポート指標を静かに歪めます。
知性のギャップもあります。GPT-Live-1は会話を人間らしく感じさせます。単体では、返金ポリシーを知らず、チケットを解決せず、自社ドキュメントに基づくティア1の自己解決も行えません。これはOpenAIへの批判ではなく設計どおりです。音声レイヤーとして作り、そのように値付けしているのです。ビジネスの文脈とチケットの自動解決は、その上に構築するものから来る前提です。これは素のAIコールセンター構築でも同じ教訓です。声は簡単で印象的な部分であり、知識、検索、エスカレーション処理こそが実際にループを閉じる部分です。
eeselの立ち位置:インフラとチームメイトの違い
整理する最もわかりやすい方法は、GPT-Live-1はインフラで、eeselは従業員だということです。GPT-Live-1は自社プロダクトに組み込むモデルです。eeselは、特定の仕事のために、すぐ働けるAIチームメイトを採用するプラットフォームで、その役割に必要なスキル、連携、会社の文脈を最初から備えて加わります。
サポートでは、そのチームメイトがAIヘルプデスクチームメイトです。既存のキューに参加し、過去のチケットとヘルプセンターから学習し、素の音声モデルと違って、通話の分数ではなく解決ごとに課金されるため、コストは実際にクローズしたチケットに連動します。自然な電話会話がほしければ、GPT-Live-1のような音声フロントエンドに接続することもでき、解決あたりコストの計算も健全に保てます。さらに、本番前に過去のチケットでシミュレーションするので、顧客が体験する前に結果の見込みがわかります。これは冒頭で挙げた「間違えたときに何が起こるか」という問いそのものです。
音声APIを求めるチームの多くは、実はプログラムからのヘッドレス制御を求めています。eeselがダッシュボードと並んで本格的なCLIを提供していることは知っておく価値があります。同じAIチームメイト、同じワークスペースを、ブラウザではなくターミナルから操作するものです。人が手で実行でき、スクリプトで自動化でき、Claude Code、Codex、Cursorのようなコーディングエージェントが直接操作することもできます。ほかのChatGPTエージェントのワークフローを動かすのと同じ要領です。APIに注目した理由がスクリプトによる制御だったなら、「プログラム可能」と「すでにサポートの文脈を知っている」のどちらかを諦める必要はありません。
自社の規模に合わせた率直な比較がほしければ、コスト削減の内訳と構築か購入かのガイドが、分単位と解決単位の課金の判断を順に解説しており、より広いAIと人間のサポートの比較もあわせて参考になります。
GPT-Live-1レビュー、ひとことで
GPT-Live-1はOpenAIがこれまでに出した最高の音声レイヤーですが、まさにそれ、つまりレイヤーです。会話型AIのインターフェースとしては明確に買いで、有料ChatGPTなら無料、自然さも大きく進歩しています。音声プロダクトの土台として使うなら、これはスタックの半分で、バックエンドモデルとハーネスが別に課金されることを忘れてはいけません。そして用途がサポートなら、問うべきはただ一つ。支払っているのは分数か、それとも解決したチケットか、です。
ヘルプセンターをすでに理解していて、分単位ではなく解決ごとに課金されるサポートチームメイトがほしいですか?eeselは既存のヘルプデスクに数分で接続し、本番前に自社の過去チケットでシミュレーションし、無料で試せます。**eeselを試す**か、デモを予約して、まず自社のデータで確かめてください。