GPT-Liveとは？OpenAIのリアルタイム音声AIを解説

GPT-Liveの正体

GPT-LiveはOpenAIの新世代音声モデルで、2026年7月8日に発表され、「AIとの会話を、本物の会話にずっと近い体験にする」ことを目指しています。現在はデフォルトのChatGPT Voice体験を支えており、OpenAIが「これまでで最も賢い音声モデル」と位置づけています。

以前に音声でChatGPTを使ったことがあるなら、2つの旧方式のいずれかを体験しているはずです。GPT-Liveはその両方をデフォルトとして置き換えます。

• **カスケード音声(Cascaded voice)**は元々のChatGPT Voiceで、3つのモデル(音声認識→LLM→音声合成)を連結したものでした。モデル間で情報が失われ、応答は遅くぎこちないものでした。
• **ターン制音声(Turn-based voice)**はAdvanced Voice Modeで、単一モデルが音声を処理していましたが、それでも離散的なターンで動作し、沈黙をもって話し終えたと判断していました。間や通りすがりのバスの音でも「あなたのターンは終わった」と解釈され、割り込まれることがありました。

GPT-Liveは「ターン」という概念自体を捨てました。これは会話型AIの他の分野がずっと追い求めてきたのと同じ変化であり、OpenAIはそれをすでに1億5,000万人以上が毎週音声で使っている製品に実装した張本人です。また、ChatGPT vs Gemini系のスレッドでよく見かける「ChatGPTがついにGemini Liveに追いついた」という論調に対する、これまでで最も明確な答えでもあります。

全二重(フルデュプレックス)はどう機能するか(メカニズム)

私が思うに、このアーキテクチャこそ本当に理解する価値がある唯一の部分です。なぜなら、それがGPT-Liveの他のあらゆる挙動を説明してくれるからです。

全二重アーキテクチャとは、1つずつメッセージを処理していくのではなく、モデルが出力を生成しながら入力を継続的に処理することを意味します。1秒間に何度も、「話す」「聞き続ける」「一時停止する」「割り込む」「ツールを呼び出す」のどれかを判断しています。だからこそ、あなたが話の途中でも「うんうん」と相づちを打ったり、テンポの良いやり取りをしたり、明らかに考える時間が必要なときは静かに待っていたりできるのです。

この絶え間ない「聞きながら話す」ループこそが、すべての仕掛けです。 ターン制音声は、沈黙を合図として、あなたが話し終えたかどうかを推測するしかありませんでした。全二重は、決して聞くのをやめないため、推測する必要がありません。これがまた、リアルタイム翻訳を可能にし、タイミングの感覚をより良く保てる理由でもあります。

GPT-5.5への委任構造

2つ目の設計判断がこちらで、実務での活用を考えている人にとって最も重要な部分です。

OpenAIは、(継続的なやり取りを担当する)GPT-Liveを深い推論から切り離しました。ウェブ検索や高度な思考、エージェント的な処理が必要な質問の場合、GPT-Liveはバックグラウンドの別モデルに処理を渡し、準備ができ次第答えを持ち帰ります。その処理が進んでいる間もGPT-Liveは話し続けるため、会話が止まることはありません。

ローンチ時点では、このバックグラウンドモデルはGPT-5.5で、OpenAIは今後も新しいフロンティアモデルに順次入れ替えていくとしています。これこそ、鋭い観察眼を持つ運営者たちが着目したポイントです。つまり、賢さそのものが新しいのではなく、やり取りの体験が新しいのです。

"GPT-Live is not just a better voice mode. It is OpenAI separating two jobs: One model handles the human conversation. Another model handles deep thinking in the background... Voice was the interface. Now it is becoming the workflow."

Vaibhav Sisinty, X

その場に合わせて推論レベルを選ぶこともできます。OpenAIの脚注によれば、InstantとminiはGPT-5.5 Instant上で動作し、MediumとHighはGPT-5.5 Thinkingのmedium/high effortで動作します。

• Instant — 最速の応答、最小限の思考。
• Medium — より多くの思考時間。
• High — 最も多くの思考時間(特にウェブ検索を行う際は、より遅くなります)。

どのプランでGPT-Liveが使えるか？

OpenAIは2つのモデルを世界的に展開しており、GPT-Live-1はGo、Plus、Proのデフォルトとなり、GPT-Live-1 miniはFreeユーザーのデフォルトとなります。ただし、実際の料金ページでは「GPT-Live」という製品として販売されているわけではなく、Voiceがプランごとに段階分けされた機能として示されています。この2つの見方がどう対応するか、以下にまとめました。プランを選んでください。

指摘しておくべき注意点が2つあります。Business、Enterprise、Eduのワークスペースはローンチ時点ではLiveを利用できず(既存のVoiceオプションのままです)、Business/Enterpriseの1席あたりの料金は営業への問い合わせタブの奥にあります。プランを比較したい場合は、ChatGPTの料金についての詳細な内訳で、プラン別のモデル対応表を確認できます。

ベンチマーク

OpenAIはこのために新しい人間評価の仕組みを構築し、単純な正確さだけでなく、会話の心地よさや流れを測定しました。5〜10分間の一対一のチャットでは、2つの新モデルはいずれもAdvanced Voice Mode(AVM)よりも「強く好まれ」ました。

AVMと比べた推論力の飛躍こそ、より驚くべき数字であり、これはまさにGPT-5.5への委任構造がもたらしたものです。GPQA(専門的な科学推論)とBrowseComp(エージェント的なウェブ検索)では次の通りです。

BrowseCompが0.7%から75.2%へと跳ね上がったのは、委任構造が機能している証拠です。音声レイヤーは軽量なまま保たれ、重い処理はより強力なモデルが検索を担当します。OpenAIは社内の電気通信サポート評価(τ³-Voice)も実施しており、そこではGPT-Live-1(HighおよびMedium)がタスク成功率でAVMを上回りました。ベンダー自身が行ったテストとはいえ、これはサポートチームが注目すべき数字です。なぜなら、実際に電気通信のチケットをクローズできる全二重音声AIエージェントは、おしゃべりなデモとはまったく違う製品だからです。

9つの音声と、安全のためのガードレール

OpenAIはGPT-Liveのために9つの音声をリマスターしました。Arbor、Breeze、Cove、Ember、Juniper、Maple、Sol、Spruce、Valeです。特筆すべきは、「音声の物まねではなく、会話のために設計されている」という点です。音声はあらかじめ定義されたもので、実在の人物を模倣しないための保護策が組み込まれています。

安全性の面では、GPT-Liveは音声専用のトレーニングと、モデルが話している最中にも作動できるリアルタイムの保護策を追加しました。より安全な回答へ誘導したり、危機対応リソースを提示したり、リスクの高いケースでは会話を終了させたりします。ペアレンタルコントロールに連動したティーン向けの保護機能もあり、ローンチ後は感情的依存に焦点を当てたモニタリングも行われます。詳細はシステムカードに記載されています。

まだできないこと

ここからは、ローンチ当日の高揚感に冷静な視点を加えるべき部分です。GPT-Liveには実際の制約があります。

• ローンチ時点では動画・画面共有に非対応。 これは最も繰り返し指摘されている不満点です。必要な場合、ChatGPTはこれらの機能のために従来のAdvanced Voice Modeを残しています。
• 言語による差。 ChatGPTで最も利用の多い言語向けに最適化されており、それ以外の言語ではネイティブでないアクセントや流暢さの欠如が生じる場合があります。
• Business/Enterprise/Eduのワークスペース、Temporary Chats、デスクトップアプリ、Work、Codex、カスタムGPTでは、ローンチ時点では利用できません。
• APIはまだなし。 GPT-Live-1とminiはAPIへの対応が「近日公開」予定で料金も未公開ですが、まさにこれこそ電話やエージェント用途を解き放つピースです。現時点では、開発者は既存の音声・スピーチAPIの上に音声機能を構築し、それをAssistants APIに組み込んでいます。

実際の反応

初期の反応はおおむね好意的で、興味深いのは人々が何を称賛しているかという点です。それはIQではなく「体感」です。Diggによるローンチ当日の集計では482件の反応のうち78%が肯定的で、批判的な意見はレイテンシーや時折見られる誤答を指摘していました。より広い分野を俯瞰したい場合は、会話型AIプラットフォームや最良の音声アシスタントのまとめ記事で、GPT-Liveの位置づけを確認できます。

「トランシーバーは死んだ」という論調がいたるところで見られました。

"Old voice AI worked like a walkie-talkie. GPT-Live works more like a real conversation. It can listen and speak at the same time. So you can pause, interrupt, think out loud, or change direction without the whole thing feeling awkward."

Vaibhav Sisinty, X

そして開発者たちの関心は、まだ出荷されていない部分——音声エージェントや電話対応のためのAPI——に向かいました。

"This model and a smaller version — GPT-Live-Mini — will be available soon in the API, meaning anyone can build apps or agents using this conversational system, including to answer or make phone calls. For now there's no pricing."

Maximiliano Firtman, X

GPT-Liveがカスタマーサポートにとって意味すること

ここからは、この3年以上にわたり実際のサポートキューで稼働するAIエージェントを構築してきた者としての、率直な見解です。

GPT-Liveはインターフェースにとって本物の前進です。APIが出荷されれば、「サポート窓口に電話をかけて、IVRのように感じないAIと話す」という体験がずっと現実味を帯びてきます。それは良いことです。音声AIというカテゴリーはまさにこれを待ち望んでいましたし、その姿はすでにZendeskの音声AIエージェントやFreshcallerの音声エージェントといったツールに見て取れます。

しかし、このデモは本当に難しい部分を隠しています。実運用でサポートAIを壊すのは、ぎこちないターンの取り方ではなく、「自信」の問題です。私は、流暢に聞こえるボットが顧客に間違った回答をするのを見てきました。だからこそ、あらゆるeeselの導入は、実際の顧客に回答することを許可される前に、その顧客の過去のチケットに対してシミュレーションが行われます。より自然な音声は、間違った回答をより説得力があるように聞こえさせてしまうのであって、その逆ではありません。AIサポートのコスト計算が、AIが自分自身の限界を把握しているときにしか成り立たないのも同じ理由です。あるCXリーダーは、チームとの商談の中で、この論点全体をたった一言で言い表しました。

"The AI will never be able to answer 100% of the questions, but if it tries and just answers 'sorry I don't know this,' I cannot go and check all my 7,000 tickets to see if the AI actually made a good answer, then the point is a little bit gone. I need an AI who is only handling the tickets that it's confident to handle and all the other ones, leave them alone."

a CX lead at a DTC brand handling ~7,000 tickets a month

それが基準です。だからこそ今日、サポートチームにとっての現実的な勝ち筋は、音声APIを待つことではなく、業務量の大半を占めるメールとチャットのチケットを、すでに運用しているヘルプデスクの中で自動化することにあります。それがAIヘルプデスクエージェントが今まさに担っている仕事であり、誰かが電話を取るずっと前から、最良のカスタマーサービスAIツールがすでにその価値を証明してきた方法です。

それが私の仕事です。eeselは、既存のスタック(Zendesk、Freshdesk、Gorgias、Help Scoutなど)にそのまま組み込めるカスタマーサービス向けAIで、過去のチケットやヘルプセンターをもとに学習し、自信があるときだけ自動返信し、それ以外は静かにチームに任せます。本番稼働の前に、実際の過去チケット数千件でシミュレーションを行い、実際にどう回答していたかを正確に確認できます。GPT-LiveのAPIが実際にリリースされた際には、モデルに依存しないカスタマーサービス向けAIエージェントであることが、誇大宣伝ではなく実証に基づいてそれを組み込めるようにしてくれます。eeselを試す、無料で、営業電話も不要です。