OpenAIは2026年7月8日、新しい音声AIモデル群「GPT-Live」を発表した。従来の交互通話から脱却し、同時に聞く・話す・考えることができるアーキテクチャを採用。ChatGPTの音声機能を刷新し、背後でGPT-5.5が推論を担うことで、人間との対話に近い自然なコミュニケーションを目指す。

「聞きながら話す」を実現したフルデュプレックス技術

従来の音声AIは、利用者が話し終えるのを待ってから応答する「ターン制」が基本だった。この方式では、わずかな沈黙や背景雑音で発話が遮られ、不自然な間合いが生じる課題があった。GPT-Liveは、入出力を同時に連続処理するフルデュプレックス・アーキテクチャを採用し、1秒間に複数回の対話判断を行う。これにより、相槌を打つ、間を取る、逆にAI側から割り込むといった、人間同士の会話に近いリズムを実現している。この変化は、単なる応答速度の向上ではなく、対話における「心理的安全性」と「協調感」の質を変える可能性を持つ。

複雑な推論は裏方のGPT-5.5が処理する分業設計

GPT-Liveのもう一つの特徴は、対話制御と高度な推論を分離した点にある。会話の間合いや相槌といった表層的なインタラクションはGPT-Live自体が処理する一方、ウェブ検索や複雑な推論が必要な場面では、自動的に最先端の「GPT-5.5」に処理を委譲する。結果が出るまでの間もGPT-Liveは会話を継続できるため、利用者は長い「待ち時間」を意識しない。この設計は、応答速度を求める低レイテンシモデルと、正確性を求める大規模推論モデルの二層構造が、実用音声AIの現実解であることを示している。

対話AIの競争軸は「何を言うか」から「どう話すか」へ

テキスト中心のAI競争では、回答の正確性や知識量が主な性能指標だった。しかし音声インターフェースが普及するにつれ、競争の焦点は「対話の質」に移りつつある。GPT-Liveの登場は、AIが人間の会話に不可欠な非言語的要素——間、相槌、タイミング——を獲得する段階に入ったことを示す。これは、カスタマーサポートや教育、高齢者とのコミュニケーション支援といった領域で、単なる情報提供を超えた「関係性」をAIが担う可能性を開く。API提供も予告されており、企業の音声接客や社内ツールへの組み込みが加速するだろう。

ChatGPTに二つの対話モードが並立する過渡期

GPT-Liveは「GPT-Live-1」と軽量版「GPT-Live-1 mini」として、まずChatGPTの有料プランユーザー向けに展開が始まる。これにより、既存の標準音声モード（カスケード方式）や高度な音声モード（ターン制モデル）と合わせて、一つのサービス内に三種類の音声体験が並立する過渡期に入る。OpenAIはこの併存を、旧来技術からの段階的移行としてではなく、ユースケースに応じた選択肢として位置づけている可能性がある。利用者は必要に応じて、迅速な応答か、より自然な会話体験かを選ぶことになるだろう。