OpenAIは、リアルタイムで自然かつ表現力豊かな会話を実現する新モデル「GPT-Live-1」をAPIで提供開始しました。このモデルは、人間の発話への割り込みや周囲の騒音に強く、スムーズなコミュニケーションを可能にします。さらに、推論やツール利用を担うバックエンドモデルと連携することで、ロボット操作などの複雑なタスクも同時にこなせるのが特徴です。

背景

従来の音声AIでは、ユーザーの発話が終わるのを待つ必要があったり、周囲の雑音によって認識精度が低下したりする課題がありました。また、自然な会話のテンポを維持しながら、同時に高度な推論や外部ツールの操作を行うことは技術的に困難でした。OpenAIはこれらの課題を解決するため、会話専用のフロントエンドと論理的思考を担うバックエンドを組み合わせた新しい仕組みを開発しました。

この動画の要点

1. 「GPT-Live-1」はフルデュプレックス（全二重）方式を採用しており、ユーザーが話している最中にAIが応答したり、AIの言葉を遮って人間が話し始めたりといった、人間同士のような自然な対話が可能です。

2. 高いノイズ耐性を備えており、動画内のデモンストレーションでは、背後で激しい打撃音が鳴り響く環境下でも、AIはユーザーの声を正確に聞き取り、会話を途切れさせることなく継続できる能力を示しています。

3. 推論エンジンとして「GPT-5.0 Luna」というバックエンドモデルと連携します。これにより、会話の文脈を理解した上で、ロボットを動かしたり画面表示を切り替えたりする「ツール実行」を遅延なくスムーズに行えます。

4. 利用料金は、フロントエンドモデルであるGPT-Live-1が1分あたり5セントと設定されています。バックエンドでの推論やツール利用サービスにかかる費用は別途計算される仕組みとなっています。

なぜ重要か

本発表の最も重要な点は、音声対話の「自然さ」と「実用的な推論」がAPIレベルで統合されたことです。特にフロントエンドのGPT-Live-1とバックエンドのGPT-5.0 Lunaに役割を分担させる構成は、低遅延なレスポンスと高度な処理を両立させる画期的なアプローチです。1分あたり5セントという価格設定は、カスタマーサポートやパーソナルアシスタント、さらには物理的なロボット制御など、音声インターフェースを必要とする幅広い産業での導入を加速させる可能性があります。

こんな人におすすめ

AIアプリケーション開発者、ロボティクスエンジニア、カスタマーサービス自動化を検討している企業の担当者。自然で高度な音声対話機能を自社製品やサービスに組み込みたいと考えている層に最適です。