OpenAIは8月3日(現地時間)、連続的な音声対話を実現する第三世代音声AIシステム「GPT-Live」について、詳細な技術概要を公開しました。従来の音声AIシステムにあったターン検出器を音声パスから除去し、全二重音声モデルを採用することで、より自然で応答性の高い会話を可能にしています。低遅延アーキテクチャと効率的なメディアフロー管理が、その核となる要素です。
OpenAIが発表した「GPT-Live」は、同時に音声を聞き取りながら話すことができる全二重音声モデルを搭載しており、これにより発話のタイミングを推測するターン検出器が不要となりました。会話の即時性と自然さが向上し、ユーザーはより流動的な対話体験を得られます。また、深い推論やツール利用が必要な際には、会話の流れを中断することなく、GPT-5.5などのフロンティアモデルを参照できる点が特徴です。これらの機能は、応答性とインテリジェンスの組み合わせをGPT-Liveに提供します。
本システムは低遅延に最適化された新しいアーキテクチャで構築されています。入ってくる音声ストリームを音声モデルに、出力される音声をユーザーにストリーム配信する設計です。モデル推論、コンテキスト管理、メディア転送のプロセスが再構築され、音声がスムーズに流れるように工夫されています。メディアフローとアプリケーションロジックを分離することで、応答性に影響を与えることなくアプリケーションのカスタマイズが容易になりました。
メディアフロントエンドと推論ロジックはGo言語で記述され、以前のPython asyncio実装から置き換えられています。トランスポート基盤には低遅延メディア向けに設計されたWebRTCが使用されており、堅牢な通信を支えます。ステートフルな推論の課題に対応するため、モデルインスタンス間でのシームレスなハンドオフ機構や、コンテキストの動的圧縮機能も組み込まれています。これらの基盤技術は、ChatGPT Voiceにおけるコンピューター制御やエージェント連携といった新たな機能に活用されていると見られます。
GPT-Liveが提示する全二重音声対話能力は、従来のAIアシスタントの体験を一変させる可能性を秘めています。例えば、カスタマーサポートにおける複雑な問い合わせ対応や、教育分野でのパーソナライズされた学習支援、さらにはハンズフリーでの作業を必要とする産業分野での活用が想定されます。開発者は、低遅延でカスタマイズ可能なアーキテクチャを活用することで、人間の会話により近い、直感的で途切れない音声インターフェースを様々なアプリケーションに組み込むことが可能となります。これは、音声AIが実世界の複雑なシナリオでさらに深く統合される道を拓くものです。
参考: OpenAI Blog — 2026年7月29日 09:00 (JST)
原文ハイライト"How we built a realtime system for responsive voice AI in six months"