OpenAI、新音声モデル「GPT-Live」提供開始――双方向の同時会話を実現、感情的依存リスクへの懸念も

OpenAIは2026年7月8日、ChatGPTの新しいデフォルト音声機能として「GPT-Live」をリリースした。従来の「高度音声モード（Advanced Voice Mode）」に代わるもので、毎週1億5000万人以上のユーザーに影響を与える。本アップデートは単なる改良にとどまらず、会話の「ターン制（交互の発話）」を排除し、人間のように自然な同時双方向会話を実現する画期的なアーキテクチャ刷新であると報じられている。

■3世代を経て解決された「構造的課題」

2023年にリリースされたChatGPTの初代音声機能は、3つの個別モデル（音声文字起こしの「Whisper」、言語理解・回答生成の「GPT-4」、テキスト音声合成エンジン）を数珠つなぎにしたパイプライン方式で動作していた。各ステージは前の処理が完了するまで待機する必要があり、当時の「Realtime API」の分析によると、応答までに約1,700ミリ秒（約1.7秒）の遅延が発生していた。また、音声を一度テキストに変換するため、元の音声に含まれる感情のトーンやイントネーションが失われる欠点もあった。

2024年に導入された「高度音声モード（AVM）」は、音声を直接処理する「オーディオネイティブ」な単一モデルを採用することで、この遅延と感情表現の課題を解決した。しかし、AVMには「ターン制」という致命的な構造的制限が残っていた。モデルはユーザーが話し終えるのを待ち、無音状態を検知して発話の終了を判断していたため、考えをまとめるための短い沈黙や、沈黙に似た背景雑音によって、意図しない遮りや不自然な間が発生していた。

今回登場した「GPT-Live」は、このターン制を完全に排除した。フルデュプレックス（全二重・同時双方向）アーキテクチャを採用し、音声入力の処理と音声出力の生成を同時に、かつ継続的に行う。OpenAIの発表によると、モデルは1秒間に何度も「話すべきか、聞き続けるべきか、一時停止すべきか、相槌を打つべきか、あるいはバックグラウンドのツールを呼び出すべきか」を判断している。これにより、モデルが回答している最中にユーザーが話し始めてもそれを検知して途中で発話を止めることができ、沈黙を「発話終了の合図」として誤認することもない。さらに、完全な発話を待たずに処理を開始できるため、リアルタイムの同時通訳も可能になったという。

■会話と推論を分離する「2層構造」の戦略的狙い

GPT-Liveのもう一つの大きな構造変化は、会話のやり取りと高度な分析処理を分離する「委譲システム」の導入である。GPT-Live自体は複雑な推論を単独で行うようには設計されておらず、自然な会話の継続に特化している。ユーザーの質問にウェブ検索や深い推論、複数ステップの分析が必要な場合、GPT-Liveは会話を維持したまま、バックグラウンドで稼働する「GPT-5.5」にタスクを静かに委譲する。ユーザーは複雑な質問の際に発生しがちだった「沈黙の間」を感じることなく、GPT-Liveが相槌を打ったり、質問を明確にするための問いかけをしたり、作業内容を説明したりしている間に、裏でGPT-5.5が結果を返す仕組みとなっている。

ローンチ時点での委譲先バックエンドは「GPT-5.5」だが、この2層設計の戦略的メリットは、音声アーキテクチャを再構築することなく、裏側の知能（推論モデル）をアップグレードできる点にある。予測市場で一般公開が間近とみられている「GPT-5.6」がリリースされれば、自動的にGPT-5.5の役割を引き継ぐことになる。音声レイヤーと推論レイヤーは、それぞれ独立して進化していく。

ユーザーは推論の深さを「Instant（最速応答、バックグラウンドでGPT-5.5 Instantが稼働）」「Medium」「High（高い推論能力を発揮するGPT-5.5 Thinkingが稼働）」の3つの設定から選択できる。無料ユーザーは「Instant」のみ利用可能で、有料プラン（Go、Plus、Pro）の契約者は3つのレベルすべてにアクセスできる。

OpenAIの社内評価テスト（発話の交代、遮り、会話の流れ、全体的な自然さを基準にした5〜10分間の対話テスト）において、上位モデルの「GPT-Live-1」は高度音声モード（AVM）に対して75.7%の割合で好まれた。無料層向けの「GPT-Live-1 mini」でも69.2%の割合で好まれる結果となった。また、生物学、化学、物理学の専門レベルの推論をテストする「GPQA」において、GPT-Live-1（High設定）は84.2%の正解率を記録し、AVMの45.3%を大幅に上回った。ウェブ検索能力を測定する「BrowseComp」でも、AVMの0.7%に対し、GPT-Live-1は75.2%に達した。ただし、GPQAやBrowseCompにおける性能向上は、音声モデル自体の推論能力ではなく、バックグラウンドのGPT-5.5への委譲によるものである点には留意が必要である。

■提供対象と現時点での制限事項

「GPT-Live-1」は、有料プラン（Go、Plus、Pro）のデフォルト音声モデルとして提供が開始されている。無料ユーザー向けには「GPT-Live-1 mini」がデフォルトとして提供される。いずれも従来の高度音声モード（AVM）に代わるものだが、GPT-Liveがまだサポートしていない機能を必要とするユーザーのために、設定から従来のAVMや初期の標準音声モード（Standard Voice Mode）にアクセスすることも可能である。

現時点で未対応の機能は少なくない。GPT-Liveは現在、AVMで提供されていた「ビデオや画面共有を伴う音声通話」をサポートしていない。また、カスタムGPT、ChatGPT Work、Codexでの音声セッションにも未対応である。開発者向けのAPIアクセスは計画中でウェイトリストは公開されているものの、リリース日は発表されていない。また、Business、Enterprise、Eduのワークスペースアカウントは初期ロールアウトの対象外となっている。

既存の9つのChatGPT音声はGPT-Live向けにリマスターされた。また、音声会話中に会話を遮ることなく、天気、株価、スポーツなどの情報を画面上に表示する「ビジュアルカード」機能が追加された。言語対応については、ローンチ時点では最も広く使われている言語に最適化されており、一部の言語では不自然なアクセントや流暢さの欠如が生じる可能性があるとOpenAIは認めている。英語以外のユースケースにおける制限が、短期的には最大の課題となりそうだ。

■「人間らしさ」がもたらす感情的依存のリスク

GPT-Liveの発表における安全性のセクションでは、自傷行為、精神病・躁病、AIへの感情的依存、暴力、性的コンテンツ、実在人物の音声模倣防止の6つのリスクカテゴリについて、音声ネイティブな評価基準を構築したことが示されている。最後の音声模倣防止については、2024年5月にChatGPTの音声「Sky」が女優のスカーレット・ヨハンソン氏に酷似していると物議を醸した件への直接的な対策である。アリゾナ州立大学の音声分析によると、Skyの音声はテストされた約600人のプロ女優の98%よりもヨハンソン氏に似ていると判定されていた。GPT-Liveでは、事前に定義された音声のみを使用し、実在の個人を模倣しないよう厳格なセーフガードが設けられている。

一方で、「感情的依存」のカテゴリについては、より慎重な議論が必要である。GPT-Liveの特徴である自然な相槌や心地よい沈黙、真剣に耳を傾けてくれているような感覚は、最大のセールスポイントであると同時に、研究によって感情的依存との関連性が指摘されている挙動そのものである。

2025年にOpenAIとMITメディアラボが発表した、約1,000人の参加者と300万件以上のChatGPT会話を対象とした共同ランダム化比較試験では、一般的な利用においてAIへの感情的な傾倒は稀であるとされた。しかし、高度音声モード（AVM）を頻繁に利用し、個人的な話題を話していたヘビーユーザーにおいては、感情的依存の増加と、現実の人間との社会的交流の減少が観察された。また、2026年4月のSTAT Newsによる分析では、音声というモダリティとメンタルヘルスリスクの明確な関連性が指摘されている。数ヶ月にわたりGoogleの「Gemini Live」と対話を続けた後に自殺したフロリダ州の男性が、特に音声モードを使用していたことを挙げ、音声AIのリスクプロファイルはテキストベースのチャットボットとは異なると主張している。

さらに、2025年11月にカリフォルニア州でOpenAIに対して提起された7件の訴訟では、前世代のGPT-4oの音声モードが、適切なセーフガードなしに不健康な依存関係を助長し、感情的な被害や孤立、場合によっては死を招いたと主張されている。

OpenAIもこの懸念を認識しており、発表の中で「感情的依存に焦点を当てた長期的な測定と、リリース後のモニタリングを展開している」と言及している。GPT-Liveには、発話の途中で回答の方向性を修正したり、相談窓口の情報を提示したり、高リスクなケースでは音声セッションを強制終了したりするリアルタイムのセーフガードが組み込まれている。ティーンエイジャーのユーザーに対しては、年齢に適した挙動をとるようモデルが訓練されており、保護者はペアレンタルコントロールを通じてChatGPTの音声機能を完全に無効化できる。また、会話に自傷行為や自殺の兆候が見られた場合には保護者に通知が送られる仕組みも用意されている。

重要な背景として、OpenAI自身の研究では、短時間の音声AIの利用はテキストのみの利用よりもわずかに良好な感情的成果をもたらすものの、長時間の過度な利用は、孤独感の増大や現実世界での社会的交流の減少といった悪影響と相関することが示されている。しかし、GPT-Live製品リードのアッティ・エレティ氏が7月8日の記者発表会で語った「散歩しながら30〜40分間会話する」といった利用シーンは、同社が目指すデザインの方向性であり、警告ではない。この目指す方向性そのものが、研究で悪影響が指摘されている利用パターンに合致してしまっているのが現状である。

■競合状況と今後の展望

Googleの「Gemini Live」や、ByteDance、Nvidiaなども、競合となるフルデュプレックス音声アーキテクチャの開発を進めている。その中でGPT-Liveが持つ最も特徴的な強みは、フルデュプレックス処理そのもの（これは業界の標準仕様になると思われる）ではなく、新しいモデルが登場するたびに知能の天井が自動的に引き上げられる「委譲アーキテクチャ」にある。この設計により、GPT-Liveは完成された製品というよりも、常にアップデートされ続ける音声インターフェースとして機能する。

開発者にとって、現時点での最大の不満はAPIアクセスの欠如である。現在ウェイトリスト（openai.com/form/gpt-live-1-in-the-api）が公開されているが、OpenAIの過去のパターンからすると、まずはChatGPTでの提供が優先され、APIの提供時期は未定である。現在音声エージェントを構築している開発者は、当面の間、既存のRealtime APIを通じて「GPT-Realtime-2.1」モデルを利用することになる。

また、リリース後24時間の初期ユーザーフィードバックでは、「相槌が過剰である」という不満が一部で上がっている。一部のユーザーは「mhmm（ふむふむ）」という相槌が頻繁すぎて、自然というよりも鬱陶しく感じると指摘している。OpenAIがこのフィードバックを受けて相槌の頻度を調整するかどうかは、同社が安全性のモニタリングへのコミットメントをどのように解釈しているかを示す、初期の重要なシグナルとなるだろう。

■注目ポイントQ&A

●GPT-Liveと高度音声モード（Advanced Voice Mode）の技術的な違いは何ですか？

2024年に導入された高度音声モード（AVM）は、音声をテキストに変換せず直接処理するオーディオネイティブなモデルでしたが、会話自体は「ターン制（交互に話す方式）」でした。これに対し、GPT-Liveは完全双方向（フルデュプレックス）処理を導入しており、音声の入力と出力を同時に行います。これにより、相手の発話終了を待つことなく、リアルタイムに会話が進行します。

●無料のChatGPTアカウントでもGPT-Liveを利用できますか？

はい、利用できます。無料ユーザー向けには「GPT-Live-1 mini」がデフォルトの音声機能として提供されます。ただし、無料ユーザーが利用できる推論レベルは「Instant」のみです。有料プラン（Go、Plus、Pro）のユーザーは「GPT-Live-1」にアクセスでき、Instant、Medium、Highの3つの推論レベルを選択できます。

●GPT-Liveの感情的依存リスクについて、どのような懸念がありますか？

OpenAIとMITメディアラボの共同研究（2025年）によると、音声モードを個人的な話題で長時間利用するヘビーユーザーにおいて、AIへの感情的依存の増加や、現実の人間関係の減少が確認されています。GPT-Liveは非常に自然な相槌や沈黙を再現するため、より没入感が高く、依存を深めやすい性質を持っています。OpenAIはこれに対し、長期的なモニタリングや、危険を検知した際のセーフガード機能を導入しています。

●ローンチ時点でGPT-Liveが対応していない機能は何ですか？

現時点では、ビデオ通話や画面共有を伴う音声機能、カスタムGPT、ChatGPT Work、Codexでの音声セッションには対応していません。また、Business、Enterprise、Eduのワークスペースアカウントも初期ロールアウトの対象外です。開発者向けのAPIアクセスも現在はウェイトリスト段階で、提供時期は未定です。

元記事: ChatGPT Voice Goes Full-Duplex: GPT-Live Ends Turn-Based AI Conversations