OpenAI、より自然なライブ会話を実現する新音声モデルをリリース
OpenAI は、人間のような自然な対話を実現する新しい音声モデルを発表し、ライブ会話体験の大幅な向上を約束した。
キーポイント
新音声モデルの発表
OpenAI が人間に匹敵する自然さを持つ新たな音声モデルを開発・公開したことを発表した。
ライブ会話体験の向上
この技術により、従来の機械的な応答から脱却し、双方向でスムーズなライブ対話が可能になる見込みである。
自然な対話の実現
人間の会話のような間や感情表現を含むモデル化により、ユーザー体験の質的転換が期待される。
影響分析・編集コメントを表示
影響分析
この発表は、AI と人間の音声コミュニケーションにおける自然さの基準を再定義する可能性があり、カスタマーサポートやバーチャルアシスタントなどの分野での実用化が加速すると予想されます。ただし、詳細な技術仕様や具体的なリリース時期に関する情報が本文には含まれていないため、現時点では業界への即時的なインパクトは限定的です。
編集コメント
技術的な詳細や具体的な実装方法が明記されていないため、現時点では業界への即時的なインパクトは限定的ですが、音声 AI の進化方向を示す重要なマイルストーンです。
OpenAI は本日、より自然な音声を特徴とし、ターンテイクをより適切に処理できると主張する新しい会話型モデル「GPT-Live-1」と「GPT-Live-1 mini」を発表しました。これらはフルデュプレックス（双方向同時通話）モデルであり、同時に発声と聴取が可能で、ユーザーが自然に割り込むことや、ライブ翻訳といった機能の実現を可能にします。
同社はまた、ChatGPT の現在の「Advanced Voice Mode」（高度音声モード）をデフォルト設定として GPT-Live-1 mini に置き換える方針です。有料プランのユーザーは、より大規模な GPT-Live-1 モデルにもアクセスできるようになります。以前のモデルは、発話を文字起こしするための音声認識モデル（speech-to-text）、応答生成のための大規模言語モデル（LLM: Large Language Model）、そして最終回答を出力するためのテキスト読み上げモデル（text-to-speech）を組み合わせていました。
同社はプレスブリーフィングで、新モデルはユーザーが話している最中に割り込む問題や、質問に答えるための知能が不足していたといった課題を解決したと説明しました。OpenAI の新モデルは、会話の継続を保ちながら、検索・推論・エージェント機能のためにクエリを最新のテキストモデルである GPT-5.5 等に送信します。
また、同社は新モデルが長時間沈黙し続け、呼び出されるまで会話の文脈を吸収できることも示しました。さらに、新しい音声モードは最新 GPT モデルにアクセスできるため、情報の一部を視覚形式で提示することも可能です。Monogram のような他のスタートアップも、DST と Lux Capital からシードラウンドで 4000 万ドルを調達した同様に、アシスタントをよりインタラクティブにするために視覚応答に注力しています。
同社は、ChatGPT の新しい音声モードは、より長い会話を可能にするように設計されていると述べています。ブリーフィング中、ChatGPT Voice の製品責任者である Atty Eleti 氏は、ウォーキング中に音声機能を使って 30 分から 40 分もの会話を行ったことがあると話しました。
OpenAI は、複雑な作業において音声コンピューティングの主要なインターフェースとなり得ると考えています。報道によると、同社は今年 [AI 機能を備えたイヤーバッド（イヤホン）のペアを発売する] (https://techcrunch.com/2026/01/21/openai-aims-to-ship-its-first-device-in-2026-and-it-could-be-earbuds/) 可能性があると示唆されています。しかし、ハードウェア製品に関する具体的な情報は提供していません。
「時間の経過とともに、音声はコンピューティングに対する一種の主要なインターフェースとして使用し、ますます複雑で長時間実行されるエージェントワークを管理する能力も開かれると考えています。Codex や ChatGPT を使って人々が達成しているような素晴らしいユースケースについて、あらゆる種類の作業に対する未来のインターフェースとして音声が機能できると考えています」と Eleti 氏は述べています。
OpenAI は過去数年にわたり、ChatGPT の音声モードをより自然な響きにするために [音声ベース] (https://techcrunch.com/2024/09/24/openai-rolls-out-advanced-voice-mode-with-more-voices-and-a-new-look/) の [機能] (https://techcrunch.com/2023/09/25/openai-chatgpt-voice/) を強化してきました。同社によると、音声やDictation（音声入力）などの機能を使用して ChatGPT と話す人は 1 億 5,000 万人を超えています。
競合他社もまた、アシスタントをより表現豊かにしようとしています。
Apple と Amazon はどちらも、より対話的で文脈の扱いに優れたアシスタントへとアップデートしました。Oculus の共同創設者である Brendan Iribe と Ankit Kumar が設立したスタートアップ「Sesame」も、バックグラウンドでタスクを完了しながらより自然な会話を行う AI アシスタントを発表しています。
OpenAI も同様の方向へ進み、ユーザーが長時間ハンズフリーでアシスタントと対話できるようにすることを目指しています。新しい音声モードはより自然に聞こえると主張しているものの、同社はこれを AI コンパニオン（伴侶）として作ろうとしているわけではないと強調しました。また、新モデルには保護機能が組み込まれており、思春期のユーザーに対して年齢に適した回答を提供し、会話の内容が自傷行為などの話題に及んだ場合にはリソースを提供するようになっています。
新しい音声モードはまだ改善の余地があります。デモでは、同社がヒンディー語でのライブ翻訳機能を披露した際、アシスタントは強いアメリカ訛りがあり、不自然な響きを持つヒンディー語で、やや硬い口調で話していました。同社は新モードが「最も話されている言語」向けに最適化されていると述べていますが、具体的にどの言語を指すかは明言していません。
当記事内のリンクを通じてご購入いただいた場合、私たちは少額のコミッションを獲得する可能性があります。これは私たちの編集の独立性には影響しません。
Ivan は TechCrunch で世界の消費者向け技術動向をカバーしています。彼はインドに拠点を置き、以前は Huffington Post や The Next Web などの出版物で働いていました。
Ivan に連絡したり、 outreach の真偽を確認したい場合は、im@ivanmehta.com へメールを送るか、Signal で ivan.42 経由の暗号化メッセージをご利用ください。
原文を表示
OpenAI today released new conversational models, called GPT-Live-1 and GPT-Live-1 mini, claiming that they sound more natural and can handle turn-taking better. These are full-duplex models, meaning they can speak and listen at the same time, allowing users to interrupt naturally and enabling features like live translation.
The company is also replacing its current Advanced Voice Mode in ChatGPT with GPT-Live-1 mini by default. Users of paid tiers will be able to access the larger GPT-Live-1 model. The previous model combined a speech-to-text model to transcribe speech, a large language model to generate responses, and a text-to-speech model to deliver the final answer.
The company said in a press briefing that the new models solve issues like interrupting users while they’re talking and not having enough intelligence to answer questions. OpenAI’s new models will send the query to its latest text models like GPT-5.5 for search, reasoning, or agentic capabilities while continuing the conversation.
OpenAI also showed that the model can stay silent for a long time and absorb the context of the conversation until it’s called upon. Plus, as the new voice mode has access to newer GPT models, it can also present some information in a visual format. Other startups like Monogram, which raised $40 million in seed funding from DST and Lux Capital, are also leaning into visual responses to make assistants more interactive.
The company said the new voice mode in ChatGPT is designed to have longer conversations. During the briefing, ChatGPT Voice’s product lead, Atty Eleti, said he has had 30- to 40-minute-long conversations with the voice feature during walks.
OpenAI thinks that voice could be the primary interface to computing for complex work. Reports have suggested that it could launch a pair of earbuds with AI capabilities this year. However, it didn’t provide any information on hardware products.
“Over time, we think this will also unlock the ability to use voice as a kind of primary interface to computing, and to manage increasingly complex long-running agentic work. The kind of amazing use cases that we see people using Codex and ChatGPT to accomplish, we think voice can be the future interface to all kinds of work,” Eleti said.
OpenAI has worked on bolstering voice-based features over the past few years to make ChatGPT’s voice mode sound more natural. The company said that more than 150 million people talk to ChatGPT using features like Voice and Dictation.
Rivals are also attempting to make assistants more expressive.
Both Apple and Amazon have updated their assistants to be more conversational with better context handling. Startups like Sesame, founded by Oculus co-founder Brendan Iribe and Ankit Kumar, also launched AI assistants with more natural conversation while completing tasks in the background.
OpenAI is moving in the same direction, aiming to let users talk to its assistant hands-free for a longer time. Despite its claim that the new voice mode sounds more natural, the company emphasized that it’s not aiming to make this an AI companion. It noted that the new models have safeguards built in to give age-appropriate responses to teens and provide resources if the conversation turns to topics like self-harm.
The new voice mode still needs work. During the demo, when the company showed its live translation feature in Hindi, the assistant had a heavy American accent and spoke in Hindi that was unnatural sounding and had slightly bookish tone. The company said the new mode is optimized for “most spoken languages” but didn’t specify which ones.
*When you purchase through links in our articles, we may earn a small commission. This doesn’t affect our editorial independence.*
Ivan covers global consumer tech developments at TechCrunch. He is based out of India and has previously worked at publications including Huffington Post and The Next Web.
You can contact or verify outreach from Ivan by emailing im@ivanmehta.com or via encrypted message at ivan.42 on Signal.
関連記事
今日のまとめ
AI日報で今日の重要ニュースをまとめ読み