OpenAI、GPT-Live音声にSynthID電子透かしを導入——EU AI法施行の前日に検証APIも公開

OpenAIは2026年7月31日、音声モデル「GPT-Live」をアップデートし、ChatGPT VoiceおよびOpenAI APIを通じて生成されるすべての音声に、Google DeepMindの電子透かし技術「SynthID」を組み込んだ。同時に、開発者や組織が受け取った音声ファイルについて、OpenAI由来かどうかを自動的に確認できる検証APIも公開した。このアップデートは、EU全27加盟国でEU AI法第50条の透明性義務が適用される前日に実施された。

■SynthIDオーディオの仕組み：スペクトログラム領域への埋め込み

電子透かし自体は目に見えず、耳にも聞こえない。今回の変更で重要なのは、単に信号が埋め込まれるようになっただけでなく、第三者がその有無を照会できるようになったことだ。

ChatGPT VoiceおよびOpenAI APIを通じてGPT-Liveで生成されたすべての音声には、SynthIDの電子透かしが含まれるようになった。OpenAIの一般公開された検証ツールは、対応する音声ファイルからOpenAI由来の信号を検出できる。さらに同社は検証用APIへのアクセスを提供し、開発者や組織が出所確認を自社のワークフローに直接組み込めるようにした。

このアップデートは、ChatGPT、Codex、OpenAI APIで生成されたすべての画像にC2PAマニフェストとSynthID電子透かしが付与されるようになった、2026年5月19日の画像向け展開に続くものだ。ただし、音声には画像とは本質的に異なる課題があり、使用する仕組みも大きく異なる。

SynthIDの画像向け電子透かしはピクセル空間で機能し、生成後の画像のピクセルデータに知覚できない微小な変化を加える。一方、音声には根本的に異なるアプローチが必要となる。

音声出力の場合、SynthIDは、音声信号に含まれる周波数成分の時間変化を視覚的に表した「スペクトログラム」上で機能する。埋め込みプロセスは3つのステップで行われる。まず音声波形を時間・周波数表現に変換し、次に音響心理学的マスキングの原理を用いて、そのスペクトログラム内に電子透かしのパターンを符号化する。最後に、変更されたスペクトログラムから波形を再構築する。埋め込まれた信号は人間には聞こえないが、SynthIDの整合フィルターデコーダーでは検出できる。

この音響心理学的マスキングのステップが、電子透かしの耐久性を支える鍵となる。人間の聴覚は、隣接する周波数帯域や時間的に近い位置にある大きな音によって覆い隠された信号を知覚できない。これは、MP3エンコーディングが知覚可能な品質を損なわずに大量の音声データを削減できるのと同じ性質だ。SynthIDは、こうしたマスキング領域に電子透かしを配置するとともに、スペクトラム拡散方式を使って、複数の周波数帯域と時間位置に信号の冗長なコピーを分散させる。

その結果、この電子透かしは、ビットレート128kbpsという強度の高いMP3圧縮、再生速度やピッチの変更、さらにはデジタル音声をスピーカーから再生してマイクで録音し直す「アナログホール」と呼ばれる手法にも耐えられる。ソーシャルメディアで共有されたり、動画プラットフォームでトランスコードされたり、VoIPコーデックで処理されたりした音声クリップにも信号は残る。ファイルのメタデータタグは、こうした変換を経ると失われるが、スペクトログラムに埋め込まれた信号は残る。

検出には整合フィルターが使われる。Googleのデコーダーは、音声が処理、圧縮、再エンコードされた後でも、エンコーダーが加えた統計的パターンを認識するよう訓練されている。ここが重要な点だ。検出器はプロプライエタリな仕組みであり、第三者が独立して動かすことはできない。だからこそ、APIの存在が重要になる。

■開発者向けAPIがもたらすもの

電子透かしが埋め込まれていても、OpenAI以外の誰も確認できないのであれば、出所証明システムとはいえない。それは、一方の当事者だけが事後的に利用できるフォレンジックツールにすぎない。開発者向け検証APIは、この状況を変えるものだ。

SynthIDの検出機能をAPI経由で利用できるようにすることで、OpenAIはあらゆる組織に対し、特定の音声ファイルにOpenAI由来のSynthID信号が含まれているかどうかを照会する手段を提供した。例えば、投稿された音声を審査する報道機関、アップロードされた音声コンテンツを確認するソーシャルプラットフォーム、社外に出す録音をチェックする企業のコンプライアンスチームなどが利用できる。照会データはOpenAIの照合システムに送られ、提出された音声波形が解析された後、出所に関する判定結果が返される。

これは、電子透かし導入の発表に付随する小さな追加機能ではない。Hugging FaceのAI研究者Sasha Luccioniは、SynthIDが初めて登場した2023年、この技術がプロプライエタリな検出インフラに依存しているため、電子透かしを埋め込み、検出できるのはGoogleだけだと指摘していた。この構造的な制約は、2026年5月の展開後も画像については残っていた。OpenAIの画像検証ツールでは、openai.com/verifyに画像をアップロードする必要があり、ユーザー向けの操作であって、プログラムから呼び出せる統合機能ではなかった。新しいAPIによって、音声については初めてこの制約が取り払われた。開発者はユーザーをウェブサイトへ誘導するのではなく、出所確認を処理パイプラインへ直接組み込めるようになった。

提供開始時点で、APIの対象はOpenAI由来の音声に限られている。ElevenLabsで生成された音声、オープンソースモデルで作られた音声クローン、GPT-Live以外で生成された合成音声からは信号が検出されない。そして、信号が検出されないからといって、その音声が真正な人間の音声であるとは限らない。分かるのは、OpenAIのSynthID電子透かしが検出されなかったということだけだ。

■規制対応のタイムリミット

EU AI法第50条は、翌日の2026年8月2日から適用される。この規定は、EU市場にコンテンツを提供する生成AIシステムのプロバイダーに対し、合成音声出力が人工的に生成されたものだと検出できるよう、機械可読なマーカーを埋め込むことを義務付けている。

違反した場合、最大1,500万ユーロ、または全世界の年間売上高の3％の罰金が科される可能性がある。原文が示す約1,730万ドルを基に、1ドル＝158円で換算すると約27億3,000万円となる。金額はいずれも概算である。2026年8月2日より前にすでにEU市場へ投入されているシステムには部分的な猶予期間があり、第50条第2項に基づく電子透かしに関する義務の適用は、そうしたシステムについて2026年12月2日まで猶予される。8月2日以降に提供が始まるシステムは、提供初日から義務を順守しなければならない。

これとは別に、2027年2月までに、プロバイダーは電子透かし検出の相互運用性を確保するソリューションを整備する必要がある。つまり、あるシステムが付与した電子透かしを、別のシステム向けに構築されたツールでも検出できるようにするということだ。この期限が設けられているのは、現時点でシステムをまたいで利用できる普遍的な検出標準が存在しないためである。現在、SynthID電子透かしを検出できるのはGoogleが認めた検出インフラに限られており、新たな開発者向けAPIは、OpenAI由来の音声についてこの隔たりを埋め始めるものだ。

EU AI法の行動規範を分析した法務研究者は、Tech Policy Pressへの寄稿で、第50条が求める4つの基準、すなわち有効性、相互運用性、堅牢性、信頼性のすべてを満たす単一の電子透かし技術は、現時点では存在しないと指摘している。EUの行動規範は、メタデータの埋め込みと知覚できない電子透かしを組み合わせる多層的なアプローチを求めることで、この問題に対処している。OpenAIが音声に用いるC2PAとSynthIDの組み合わせは、まさにこのアプローチに相当する。

OpenAIは2024年、DALL-E 3で生成された画像へのコンテンツクレデンシャルの付与を開始し、その後ImageGenやSoraにも適用してきた。こうした取り組みを通じて、同社はこの組み合わせに向けた準備を進めてきた。

■電子透かしの対象となる音声システム「GPT-Live」

GPT-Liveは2026年7月8日に提供が始まり、ChatGPTの音声機能と音声入力機能を毎週利用する1億5,000万人以上にとって、Advanced Voice Modeに代わる標準の音声体験となった。

GPT-Liveの全二重アーキテクチャは、音声入力の処理と音声出力の生成を同時に行い、話すか、聞き続けるか、一時停止するか、ユーザーの発言に応答を返すかを1秒間に何度も判断する。ChatGPTのAdvanced Voice Modeを含む従来のターン制システムは、ユーザーが話し終わるのを待ってから応答を生成していた。沈黙を発話終了の合図としていたため、意図しない間や周囲の雑音によって割り込みが発生する可能性があった。

推論、ウェブ検索、複雑な分析を必要とする質問では、GPT-Liveは会話を継続しながら、バックグラウンドでGPT-5.5に処理を委ねる。提供開始時点では、有料ユーザー向けの「GPT-Live-1」と無料ユーザー向けの「GPT-Live-1 mini」という2つのモデルが用意されている。

リアルタイムのセーフガードにより、モデルをより安全な応答へ誘導したり、安全上の注意を表示したり、リスクが高い場合にはモデルが話している途中で音声会話を終了させたりできる。応答が完了してから対処するだけではなく、生成中にも介入できるということだ。自傷行為、精神病や躁状態、AIへの感情的依存などのカテゴリーについて、音声という形式に特化した安全性評価も構築された。

■業界に広がるSynthID

2026年7月31日のGPT-Liveアップデート以前から、SynthIDはGoogleの生成AI製品に組み込まれていた。2023年以降、テキストではGemini、画像ではImagen、音声ではLyria、動画ではVeoに採用されている。2026年5月のGoogle I/Oでの発表を受け、SynthIDはGoogle以外にも広がり、OpenAI、NVIDIA、ElevenLabs、Kakaoが画像などのモダリティに採用した。2026年5月までに、Googleの製品全体で1,000億点を超えるコンテンツにマーカーが付与されている。

7月31日のアップデートは、SynthIDをGPT-Liveの音声へ明確に拡張するものだ。GPT-Liveは、商用展開されているリアルタイムAI音声システムの中で、1日当たり最大規模の利用者に届く音声システムである。SynthIDの埋め込み信号を補完するメタデータ標準を策定するC2PA連合には、Google、Meta、OpenAI、Sony、Nikon、Adobe、Microsoftなど、6,000を超える組織が参加している。

■システムの限界と課題

どのような電子透かしシステムも、回避を完全に防げるわけではない。SynthIDの音声向け実装についても、攻撃を想定した研究が行われている。USENIX Security 2025で発表された「UnMarker」論文は、SynthIDに対して79％の除去率を報告したが、Googleはこの数値に異議を唱えた。研究者Alosh Dennyによる別のプロジェクトでは、画像向けSynthIDに2次元フーリエ変換と位相コヒーレンス分析を適用し、目立った画質劣化を抑えながら位相コヒーレンスを91％低減させたと報告している。いずれの結果も、実用上の電子透かしの保護価値を失わせるものではない。部分的な回避は信号を完全に消すのではなく弱めるものであり、二重構造の設計では、SynthID信号に対する攻撃が成功してもC2PAメタデータが残る可能性がある。その逆も同様だ。

より根本的な限界は構造にある。電子透かしの枠組みにまったく参加していないオープンソースの音声モデルは、業界横断的な取り組みだけでは埋められない恒常的な空白として残る。オープンソースモデルで生成された音声クローンにはSynthID電子透かしが含まれず、検証APIに照会しても信号は検出されない。出所情報に基づくシステムでは、真正な人間の音声と区別することもできない。大半のオープンソース音声クローニングフレームワークには、電子透かし、同意確認、組み込みのディープフェイク検出機能が含まれていない。開発者向けAPIが組織による確認を支援できるのはOpenAI由来の音声であり、合成音声全般ではない。

検出には、各サービスやプラットフォームによる能動的な統合も必要となる。電子透かしの信号が意味を持つのは、プラットフォームが実際にAPIへ照会した場合だけだ。インフラ自体は整った。今後の焦点は、各事業者がコンテンツ処理パイプラインに検出機能を組み込むかどうかである。

■注目ポイントQ&A

●SynthIDの音声電子透かしは、なぜMP3圧縮後も残るのですか？

SynthIDは、音響心理学的マスキングを用いて、音声波形の時間・周波数表現であるスペクトログラムに電子透かしを埋め込みます。電子透かしは、人間の耳が敏感に反応しにくい周波数領域や時間帯のほか、大きな音によって微細な変化が覆い隠される位置に配置されます。MP3圧縮も、破棄する音声データを決める際に同じ音響心理学的な性質を利用します。SynthIDはスペクトラム拡散方式により、信号の冗長なコピーを多数の周波数帯域と時間位置へ分散させるため、圧縮によってすべてを同時に除去するのは困難です。その結果、強度の高い圧縮、速度やピッチの変更、スピーカーから再生した音声の再録音を経ても信号が残ります。通常のメタデータタグであれば失われてしまう条件にも耐えられるということです。

●どのプラットフォームでも、録音がChatGPT由来か確認できるようになったのですか？

開発者はOpenAIの検証APIへ音声ファイルを送信し、GPT-LiveのSynthID電子透かしが検出されるかどうかの判定を受け取れるようになりました。以前、AI生成音声の出所確認にはユーザー向けツールへのアップロードが必要でしたが、現在は報道機関の審査、プラットフォームのコンテンツモデレーション、企業のコンプライアンス確認などの自動処理へ直接統合できます。ただし、対象はOpenAI由来の音声に限られます。他社のAI音声システムやオープンソースの音声クローニングツールで生成された音声にOpenAIのSynthID信号は含まれないため、このAPIでは判定できません。

●EU AI法第50条はAI生成音声に何を求め、今回の対応はそれを満たすのですか？

第50条は生成AIシステムのプロバイダーに対し、合成音声出力が人工的に生成されたものだと検出できるよう、機械可読なマーカーを埋め込むことを求めています。新しいシステムには2026年8月2日から適用され、すでにEU市場にあるシステムには2026年12月2日までの猶予期間があります。Tech Policy Pressに掲載された法的分析によると、第50条の4つの基準である有効性、相互運用性、堅牢性、信頼性を同時に満たす単一の電子透かし技術は、現時点では存在しません。耐久性のある埋め込み信号を担うSynthIDと、検証可能なメタデータを担うC2PAを組み合わせるOpenAIの二重構造は、EUの行動規範が必要としている多層型の構成に沿うものです。ただし、異なるベンダーの電子透かしを相互に検出できるようにする相互運用性への対応は、2027年2月の業界横断的な標準整備に向けて、なお進行中です。

●SynthID検証APIでは何を検出できないのですか？

このAPIが検出できるのは、GPT-Liveが音声生成時に埋め込んだOpenAI由来のSynthID電子透かしだけです。SynthIDを採用していない他社の商用AI音声システムが生成した音声は識別できません。通常は出所を示す信号を埋め込まないオープンソースの音声クローニングツールによる音声も確認できません。SynthID電子透かしが検出されなかったとしても、その音声が真正な人間の発話だと証明されたことにはなりません。分かるのは、OpenAIのGPT-Liveが生成したことを示す信号が検出されなかったということだけです。

元記事: GPT-Live Voice Gets SynthID Watermarks One Day Before EU AI Act Enforcement