先に結論から。
OpenAIは8月3日、GPT-Liveを支えるリアルタイム音声基盤の設計を公開しました。GPT-Liveは人の声を聞きながら話し、深い推論やツール利用はGPT-5.5などの別モデルへ裏側で渡します。
初心者向けに一言で表すなら、「会話担当」と「じっくり考える担当」を分けた仕組みです。受付係が会話を続け、その間に専門スタッフが調査を進める場面を想像すると分かりやすいです。
これは7月8日の製品発表ではありません。ChatGPT Voiceやパソコン操作、複数エージェントの協調を支える仕組みを、8月3日に技術面から説明した記事です。
01 / QUICK GUIDE
30秒でつかむと
- 01
GPT-Liveは、人の話を聞きながら返事できる音声AIです。電話で相づちを打つような設計です。
- 02
すぐ返す会話と、時間のかかる推論・検索・ツール操作を別々に動かします。そのため、裏側の作業を待つ間も会話を続けられます。
- 03
今回の発表は新製品の発売ではなく、ChatGPT Voiceなどを支える技術の解説です。GPT-Live APIの提供時期や価格は、まだ確定していません。
02 / KEY WORDS
専門用語を、やさしく。
ここだけ押さえれば、残りの本文はスムーズに読めます。
- 全二重（full-duplex）
- 聞くことと話すことを同時に行える通信方式です。片方が話し終わるまで待つ無線機より、お互いに相づちや割り込みができる電話に近いイメージです。
- 非同期処理
- 時間のかかる作業を裏側で進め、その完了を待たずに別の処理を続ける方法です。レストランで料理を待ちながら店員と次の注文を相談できる状態に似ています。
- WebRTC
- ブラウザやアプリで音声や映像をリアルタイムにやり取りするための技術です。GPT-Liveでは、音声を遅れにくく届ける経路に使われています。
- p95とp50
- 処理速度のばらつきを見る指標です。p50は中央付近、p95は遅い側まで含めた水準を見るため、平均値だけでは分からない「待たされやすさ」を確認できます。
03 / THE FACTS
何が起きたのか
これまでの音声AIでは、「人が話し終えた」「次はAIが話す」という順番を判定する処理が重要でした。GPT-Liveは音声経路から別のターン検出器を外し、聞くことと話すことを同時に行う全二重の構成を採用しています。
この設計なら、AIが返事を始めたあとに人が補足したり、途中で止めたりする会話を扱いやすくなります。会話を一往復ずつ処理するのではなく、流れ続ける音声として扱う発想です。
同時に、GPT-Liveはすぐ返す音声処理と、時間のかかる推論やアプリ処理を別経路に分けています。難しい問いはGPT-5.5などへ非同期で渡せるため、考える処理が終わるまで音声側を完全に止める必要がありません。
通信にはWebRTCを使い、音声を運ぶ専用の経路も用意しています。OpenAIによると、WARPという仕組みで開始時のネットワーク往復を6回から1回へ減らしました。
音声データを細かく区切った単位である「フレーム」が届くまでの遅れも改善し、新システムのp95が旧システムのp50相当になったとOpenAIは説明しています。ただし、これらはOpenAIが自社環境で公表した技術指標であり、あらゆる通信環境で同じ体感になると保証する数値ではありません。
04 / THE CONTEXT
なぜ、今これが重要なのか
音声で質問に答えるだけなら、短い待ち時間は大きな問題にならないかもしれません。しかしPC操作や複数のエージェントを動かすと、検索、推論、外部ツールの完了までに時間がかかる場面が増えます。
そのたびにAIが黙ると、利用者は「聞こえているのか」「処理中なのか」「失敗したのか」を判断できません。会話を続けながら裏側の作業状況を扱う設計が、音声AIを実用品に近づけるうえで重要になります。
OpenAIは今後GPT-Live APIを提供する方針も示しています。将来は開発者が同じ考え方を自分のサービスへ組み込める可能性がありますが、一般提供の時期と価格は今回の記事では確定していません。
05 / WHAT IT MEANS FOR YOU
私たちには、何が変わる？
利用者にとっては、音声AIが「一問ずつ答える相手」から「作業中も話し続けられる相手」へ変わる可能性があります。たとえば手がふさがっている場面でも、依頼を補足したり、途中で方針を変えたりしやすくなります。
開発側にとって大切なのは、すべてを1本の処理に詰め込まないことです。すぐ返す会話、時間をかける推論、外部へ影響する操作を分けると、速度だけでなく失敗時の切り戻しも設計しやすくなります。
一方で、会話が滑らかだと、答えの正しさまで高いように感じるかもしれません。話し方が自然であることと、答えが正しいこと、操作が安全であることは別問題です。
つまり注目すべきは声の自然さだけではありません。何を裏側で実行しているのか、どの操作で確認を求めるのか、録音データをどう扱うのかまで含めて初めて、安心して使える音声AIになります。
07 / NEXT ACTION
今日から、どう動くか
- 01
今使える音声AIと5分だけ会話し、返事の途中で補足する、話を止める、別の依頼へ切り替える、の3つを試す。どこで待たされたかをメモすると、今回の技術の意味を体感しやすいです。
- 02
音声で任せたい作業を1つだけ選び、「自動で進めてよい操作」と「必ず確認してほしい操作」を2列に書き出す。便利さと安全性を同時に考える練習になります。
- 03
開発や業務設計に関わる人は、即時の会話、遅い推論、外部ツール実行を別々の流れとして図にする。割り込み、失敗、録音データの扱いも、その図の中で確認します。