OpenAIは、開発者が音声対応アプリやビジネスワークフローを構築するための強力で自然な音声モデルであるGPT-Live-1をAPIで提供開始しました。GPT-Live-1のAPI版では、開発者がユーザー、ワークフロー、目標に合わせて音声体験を操作し、カスタマイズできる新機能に注力しています。
最初にChatGPTで紹介されたGPT-Live-1は、聞くことと話すことを同時に行えるモデルです。CodexやChatGPT Workで見られるように、より深い推論や操作を、組み合わせられたモデルやツールに委任できます。また、聞くことと話すことを1つのモデルで処理し、音声レイヤーを簡素化します。また、割り込みや相づちにはその場で応答でき、より深い推論はバックエンドに任せることが可能です。この仕組みにより、バックグラウンドで作業が進む間も会話を継続できます。
従来の課題、委任の仕組みと機能
従来の音声エージェント(voice agents)は、speech-to-text、推論モデル、text-to-speechをつなぎ合わせて作られます。各受け渡しでレイテンシが増え、タイミングや文脈、会話の自然なリズムが失われる機会が増えます。また、相手が割り込む、間を置く、話の向きを変えるといった場合に何が起きるかも含め、各段階の調整を担うのは開発者であることが多いです。
GPT-Live-1は、推論とツール呼び出しを、GPT-6 Astraのようなバックエンドのテキストモデルや、サードパーティのモデルに委任できます。会話の裏側で動くモデル、ツール、エージェントハーネス(agent harness)は、開発者が自分で選びます。たとえば、スケジュール調整や注文更新のような大量のタスクにはLunaのようなモデルを、推論が必要な複雑な顧客の問題にはAstraのようなモデルを組み合わせる、といった使い方が可能です。この柔軟性により、推論の深さ・速度・コストをタスクごとに合わせられます。
GPT-Live-1は、音声認識(ASR)の文字起こしとレスポンステキストをネイティブに提供します。英数字の理解力が高く、キーワードバイアス(keyword biasing)にも対応しています。ターンベースのモデルではありませんが、ターン検出(turn detection)をネイティブにサポートしており、開発者は明示的なターン境界を軸にした構築を続けられます。
API提供開始と音声レイヤーの料金
開発者が音声対応アプリなどを構築するためのモデルであるGPT‑Live-1は、現在APIで提供されています。フロントエンドの音声レイヤーの料金は、1分あたり$0.05です。製品に合うバックエンドモデルとエージェントハーネスを組み合わせて使うことが推奨されています。
ベンチマークでの評価結果
OpenAIの評価全体において、GPT‑Live-1はFull Duplex Benchの性能をGPT‑Realtime-2.1に比べて30パーセントポイント改善しています。また、ターンテイキングのレイテンシと対話的な振る舞いにおいても大きな向上が見られました。評価項目には、ポーズの扱い、会話のターンテイキング、割り込み、および相づちがあります。
GPT-Live-1は、GPT-6 Astra（推論の強度(reasoning effort)はmedium）と組み合わせることで、エンドツーエンドのタスクで最先端の音声エージェントの知能を測るベンチマークであるTau3において1位になりました。Tau3は、航空・小売・通信の各ドメインでの音声によるカスタマーサービスのタスクを評価します。この評価では、Pass@1がタスクの成功を測り、総合スコアは各ドメインを同じ重みで扱います。なお、GPT Live バックエンドはAstra(medium)を使用しています。
APIで提供されるGPT-Live-1は、割り込み処理(interruption handling)を改善します。入力音声と出力音声をまとめて推論する単一モデルにより、STT–LLM–TTSをつなぐ構成に伴う遅延や脆いハンドオフを避けます。GPT-Live-1の中核的な強みであるスムーズな割り込み処理は、すでにビジネス上の効果を出しています。初期評価でSpeakは、GPT-Live-1により語学チューターが応答する前に学習者が考える時間が増え、従来のターン制システムと比べて割り込みが約80%減ったことを確認しました。背景の雑音や沈黙をよりうまく扱い、会話を中断したり、すべての手順を声に出して説明したりすることはありません。長時間のやり取りでも、文脈の保持と会話の質が向上しています。電話にも対応しており、レストランの予約からカスタマーサポートまで、電話向けの全二重の音声エージェントを導入できます。
開発者には、自社のプロダクトに合い、それを使う人にとって自然に聞こえる音声が必要です。OpenAIがGPT‑Live‑1の評価に用いたベンチマークには、背景の話し声、別の人への発話、聞き手の相づち、および割り込みに対する反応をテストするものがあります。ユーザーがターンを終えてから、エージェントが返答を始めるまでの速さを測るベンチマークもあります。自然な間、ためらい、言い直しを含む音声リクエストからのツール使用をテストするベンチマークでは、Pass@1がツール呼び出しの並びを採点し、GPT Live バックエンドはTerra(low)を使用します。また、間、ためらい、言い直しを含むツール使用リクエストに対する音声での回答を評価し、回答が参照の意図とどれだけ一致するかを採点するベンチマークもあり、こちらのGPT Live バックエンドもTerra(low)を使用します。
音声の選択肢とPresenceによる導入
GPT‑Live‑1では、少数のリアルタイム音声から、アクセント・方言・言語にわたるより幅広い選択肢へと拡張しており、開発者はアシスタントの声をより多くの選択肢から選べるようになります。OpenAIは今後数か月にわたり、音声の選択肢と対応言語を拡大していく予定です。カスタム音声(custom voice)の対象条件と申請プロセスについて詳しく知るには、営業担当(sales)に問い合わせます。
GPT‑Live‑1の上に音声ワークフローを構築する別の方法として、このモデルでリアルタイム音声対話を動かすOpenAI Presenceがあります。Presenceは、企業が信頼できるAIエージェントをデプロイするのを支援します。このエージェントは質問への回答、問題の解決、社内システムの利用、承認済みアクションの実行、必要に応じた人への引き継ぎ（エスカレーション）を行うことができます。詳細はOpenAIのアカウントディレクターに問い合わせることで確認できます。