要点（30秒で）: OpenAIが7月8日（米国時間）、ChatGPTの音声AIを刷新する新モデル「GPT-Live-1」と小型版「GPT-Live-1 mini」を発表した。無料ユーザーを含む全ChatGPTユーザーが対象で、1〜2日かけて順次配信される。最大の変化は、AIが「聞く」と「話す」を同時にこなせるようになったこと（全二重）。相手の話を聞きながら相槌を打ち、割り込み、時には黙って待つ——電話のような自然な会話が初めて成立する。ただし発表当日から早くも「相槌が多くてうるさい」という声も上がっている。すごさと同じくらい、使う前に知っておきたいことがある一本だ。
この記事の内容（約6分で読めます）
「音声AIがまた新しくなった」で流すのはもったいない。今回のGPT-Liveは、これまでの音声AIが抱えていた根本的な不自然さを、設計から作り直したモデルだからだ。何がどう変わったのか、そして使う前に知っておくべきことを、順番に見ていこう。
何が変わったのか——「トランシーバー」から「電話」へ
これまでのChatGPTの音声モードは、トランシーバーのようなものだった。こちらが話し終わるまでAIは黙っていて、話し終えて初めて応答が返ってくる。交互にしか喋れない。人間同士の会話では当たり前の「うんうん、と相槌を打つ」「話の途中で”それってこういうこと？”と割り込む」ができなかった。
GPT-Liveは、ここを電話に変えた。技術の柱は「全二重（full-duplex）」——情報を受け取りながら、同時に出力も生成できる仕組みだ。OpenAIは「継続的インタラクション」と呼んでいる。おかげでAIは、あなたの話を聞きながら「うん」「なるほど」と相槌を打てるし、こちらが考え込んで黙れば、AIも急かさず静かに待てる。人間が無意識にやっている会話の呼吸を、機械が初めて真似できるようになった。
音声機能担当のアッティ・エレティ氏は、この音声モードで「散歩しながら30〜40分の会話をした」と語る。長く喋っても疲れないほど自然になった、という自負だ。実際、すでに世界で1億5000万人以上がChatGPTの音声・音声入力機能を使っているという。その土台が、一段人間らしくなる。
「聞く」と「話す」を同時に——半二重（従来）から全二重（GPT-Live）へ
頭脳は”別のAIに丸投げ”できる——だから会話が止まらない
もうひとつ面白いのが、GPT-Liveの頭の使い方だ。
音声で自然に喋るには「反射の速さ」が要る。でも難しい質問には「じっくり考える力」が要る。この2つは本来トレードオフだ。GPT-Liveは、これを役割分担で解決した。GPT-Liveの研究リード、クンダン・クマール氏はこう説明する。「GPT-Liveは難しい質問に直面すると、推論や複雑なタスクをGPT-5.5に委譲する。GPT-5.5が並行して処理を進める間も、GPT-Liveはユーザーとの会話を続けられる」。
つまり、あなたが重い質問をすると、GPT-Liveは裏でGPT-5.5という”賢い相棒”に調べ物を頼み、その間も表では雑談を続ける。答えが出たら、会話の流れに自然に織り込む。エレティ氏いわく「これはまさに人間同士のやりとりと同じ。私たちは頭の中で考えを巡らせながら、会話を続けている」。ある質問を調べながら別の質問にも答えられる、というのはこの仕組みのおかげだ。
この全二重の強みが最も生きるのが同時通訳だ。英語で話した内容を、わずかな遅延だけでスペイン語やヒンディー語に訳して返せる。相手の話を聞き”ながら”訳せるから、リアルタイムに近い。ただし正直に書いておくと、発表デモのヒンディー語は「強いアメリカ訛りで、やや教科書的な不自然さ」があったと報じられている。魔法ではなく、まだ発展途上の面もある。
適切な場面では、答えを画面に表示することもできる。天気予報やスポーツの結果のように、「声で言うより見せた方が早い」情報は視覚で出す。声一本槍だった従来から、一歩進んだ。
使う前に知っておきたい3つのこと——常時リッスン・30日保存・「人間らしさ」の演出
使う前に知っておきたい3つのこと
ここがWANとして一番伝えたい部分だ。すごいモデルほど、便利さの裏側を知ってから使いたい。
① “常時リッスン”——SiriやAlexaとは違う。
GPT-Liveは、名前をウェイクワードとして呼ぶまで黙って聞き役に徹する使い方もできる。便利な反面、注意したいのはSiriやAlexaと違い、手動でオフにしない限りChatGPTは聞き続けるという点だ。「呼ばれるまで待機」ではなく「ずっと耳を開けている」。使わないときは自分で切る、という習慣が要る。
② 音声データは30日間保存される（学習には使われない）。
音声モードでは、AIの学習への利用は自動的にオプトアウトされる。あなたの声で勝手にAIが訓練されることはない。ただし過去の会話の文脈を保つため、音声データは30日間保存される。気になる人は削除もできる。
③ 相手の”人間らしさ”は、演出でもある。
GPT-Liveには、考えながら話すときの「えーと」「あー」といったつなぎ言葉（フィラー）が新たに加わった。より人間らしく感じさせる工夫だ。だが早くも、発表当日からSNSには「相槌が多すぎてうるさい」「”うん””そうだね”が新手の割り込みに感じる」という不満が相次いでいる。人間らしさは、行きすぎると邪魔になる。声は、テキストと違って直接こちらの注意に割り込んでくるからだ。心地よさと鬱陶しさは紙一重——ここは実際に使って、自分の好みで調整するところだろう。
🐦⬛ 編集部の視点
今回いちばん考えさせられたのは、「人間らしさ」は、諸刃の剣だという事実だ。
OpenAI自身、新モデルの発表でこう認めている。AIの擬人化がもたらす害については、特にメンタルヘルスに問題を抱える人をめぐって多くの事例が報告され、訴訟も起きている、と。だからGPT-Liveでは、自傷行為や精神的な危機に会話が及んだときに適切な資料を提示するなど、安全対策を従来モデルより強化したという。
これは軽い話ではない。声が自然になり、相槌を打ち、あなたを覚えていて、いつでも話を聞いてくれる——その心地よさは本物だ。でも、心地よさが深すぎると、人はそこに寄りかかりすぎる。相手が演出された優しさだと頭でわかっていても、弱っているときほど境界は溶ける。技術が人間に近づくほど、「これは道具だ」という線引きを、使う側が持っておく必要がある。
だからこの記事の結論は、「すごいから使おう」でも「怖いからやめよう」でもない。便利さを享受しつつ、相手が何であるかを忘れないこと。散歩のお供に30分喋るのは楽しい。同時通訳で言葉の壁が消えるのは素晴らしい。そのうえで、切りたいときに自分で切れること、相手の優しさは設計されたものだと知っていること——その距離感が、これからの音声AIとの正しい付き合い方だと思う。
配信は1〜2日で全ユーザーに行き渡る。あなたのChatGPTにも、もうすぐ”聞きながら話す”AIがやってくる。
コメントを残す