2026年7月8日 製品リリース

GPT‑Liveの紹介

新しい世代の音声モデル「GPT‑Live」を発表します。GPT‑Liveは、人とAIの会話がまるで実際の対話のように感じられることを目的とした新しい音声モデル群です。GPT‑Liveは全二重（full‑duplex）アーキテクチャを採用しており、同時に聞くことと話すことが可能です。会話中、GPT‑Liveは「mhmm」や「yeah」といった相槌で注意を示したり、短いやり取りに素早く応じたり、あなたが考える時間が必要なときには静かに待つこともできます。その結果、自然で話しやすい音声体験が実現します。

GPT‑Liveは同時に、これまでで最も賢い音声モデルでもあります。ウェブ検索やより深い推論、複雑な作業が必要な質問に対しては、バックグラウンドで最新のfrontier modelに処理を委任し、準備が整い次第その結果を会話の中に取り戻します。処理中もGPT‑Liveは会話を継続し、対話の流れを保ちます。

ローンチ時点では、GPT‑LiveはバックグラウンドでGPT‑5.5を使用します。今後新しいfrontierモデルをリリースするたびに、GPT‑Liveで使用するモデルも継続的に更新していきます。これらの進歩は、より知的で自然に使える新しいChatGPT Voice体験を支えます。時間が経つにつれて、この研究は音声を使ったより複雑で長時間にわたる、よりエージェンシー（自律的）な作業の実現も解き放つと私たちは考えています。

本日より、GPT‑Liveの2つのバージョン—GPT‑Live‑1とGPT‑Live‑1 mini—を世界中のChatGPTユーザーに向けて順次展開し始めます。近くAPIにも対応する予定で、開発者や企業はこのフォームで通知を受け取るよう登録できます。

---

新しい人間とAIの対話の時代へ

私たちのビジョンは、真に自然な人間‑AI対話を実現することです。つまり、AIとの協働が別の人と仕事をするのと同じように流暢で反応的に感じられ、推論や複雑なタスク実行が背景でシームレスに行われる世界を目指しています。

これまでのアプローチ

従来の世代の音声AIシステムはこのビジョンに近づけましたが、重要なトレードオフがありました。

カスケード型音声システム

カスケード型音声システムは、各ターンを処理するために複数のモデルが順番に動作する仕組みに依存します。元のChatGPT Voiceは3つのモデルを連結していました：speech-to-textモデルで音声を文字起こしし、large language modelで応答を生成し、text-to-speechモデルで再び音声に変換します。このアプローチによりフロンティアAIモデルと会話することが可能になりましたが、複雑さには代償がありました：モデル間で情報が失われることがあり、応答は遅くぎこちないものになりがちです。

• カスケード型音声システム: 応答が遅く、ぎこちない。長いポーズ。
• フロー（例）: STT → GPT‑5.5 → TTS

トランスクリプト: Example conversation with Standard Voice Mode, using GPT‑5.5 Instant