OpenAIは、自然な人間とAIの音声対話を実現する新世代の音声モデル「GPT-Live」を発表しました。ChatGPT向けに本日から提供を開始し、今後数日かけてすべてのユーザーへ順次展開されます。対応環境はiOS、Android、Web版のChatGPTで、APIへの提供も近日中に予定されています。
GPT-Liveの大きな特徴は、聞くことと話すことを同時に行える「フルデュプレックス」アーキテクチャを採用している点です。従来の音声AIでは、ユーザーが話し終えてからAIが応答する形式が一般的でしたが、GPT-Liveでは会話の途中でも音声を聞き取りながら発話できます。これにより、人間同士の会話に近い自然なやり取りが可能になるでしょう。
OpenAIによると、フルデュプレックス構造によって、GPT-Liveは会話の流れや時間感覚をより適切に保てるようになります。相手の発話を待つだけでなく、会話のテンポを把握しながら応答できるため、AIと話している感覚をより自然なものに近づけます。また、ライブ翻訳にも対応しており、異なる言語を使う相手との会話をリアルタイムで支援できる可能性があります。
同社は、優れた音声モデルは単に正確に答えるだけでなく、話していて楽しい存在であるべきだと説明しています。GPT-Liveは、従来の音声モデルよりも自然で明確な個性を備えた会話相手として設計されており、ChatGPTの音声体験を大きく変えるモデルになるとみられます。
さらに、Web検索や深い推論、複雑な作業が必要な質問については、GPT-Liveが裏側でOpenAIの最新フロンティアモデルに処理を委任できます。ユーザーとの音声会話を維持しながら、難しい処理は別の高性能モデルに任せ、準備ができた結果を会話の中へ戻す仕組みです。これにより、軽快な音声対話と高度な問題解決を両立しやすくなります。
利用するには、ChatGPTの音声ボタンをタップして話しかけるだけです。OpenAIは、GPT-LiveによってAIとの会話が「本物の会話」のように感じられるとしており、音声AIの利用体験がさらに日常的なものへ広がる可能性があります。