旧方式の限界：バケツリレーは情報を失い、交互発話は話を奪う

GPT-Liveの何が新しいかを理解するには、まず過去2世代の音声方式がどこで詰まっていたかを知る必要がある。どちらもAIと対話はできるが、それぞれに気になる欠点があった。以下の3つのアーキテクチャを並べて見るのが一番わかりやすい。

同じ「ねえ、ちょっと話せる？」という一言が、3世代のアーキテクチャでどう聞こえるか、OpenAIが公式に実録音を公開しており、直接聴き比べられる。

突破点1：1つのモデルが聞きながら話す、話し終わるのを待たない

GPT-Liveの最初の変更点は、継続的な会話のために専用の全二重アーキテクチャ（full-duplex、同時に聞くことと話すことができることを指す）を構築したことだ。会話をひとつずつ分かれたメッセージに分割するのではなく、入力を継続的に処理しながら、応答を継続的に生成する。

突破点2：日常会話は自分でこなし、難題はより強いモデルに任せる

2つ目の変更点は、「一緒に話す」ことと「重い仕事をこなす」ことを切り分けたことだ。GPT-Liveは継続的な対話に専念する。ウェブ検索、推論、一連のagentic操作が必要な問題に遭遇すると、別のより強力なモデル、つまり発表時点で使われているGPT-5.5このバックエンドエンジンは固定ではない。今後OpenAIがより強力なフロンティアモデルを出せば、GPT-Liveの背後で接続されるものも新しいものに切り替わる。インタラクション層は作り直さなくてよい。に、その難題を委任する。委任している間もこちらの会話は続き、結果が出たら会話に戻して繋げる。

評価結果：会話体験も専門的な質問も旧バージョンより優れている

OpenAIは今回の発表のために新たな人間評価を実施し、会話が快適か、スムーズかを測定した。さらにいくつかの汎用能力評価でもAdvanced Voice Modeとの比較を行った。以下の結果はすべてOpenAI公式の基準による。

人間による直接比較評価の方法：5〜10分の対話をしてもらい、全体的な選好、ターンの取り方、割り込み、スムーズさ、自然さの5つの観点から比較し、対話ごとにGPT-LiveとAdvanced Voice Modeのどちらが好まれるかを見る。

直接比較での選好率（50%はAVMと互角）：

さらに個別採点による対話評価テスト（満点7点、対話のスムーズさと全体的な快適さをカバー）もある：

以下の3つの汎用評価は音声用に設計されたものではなく、モデル自体の能力を測るもの。比較対象は同じくAdvanced Voice Mode：

GPQA正解率、バックエンドが接続する推論強度別：

BrowseComp正解率：

τ³-Voice Telecomの評価はタスク完了率と所要時間を同時に見る。推論強度が高いほど正確だが遅くなる：

ChatGPT音声を開くと、今どんな変化を感じられるか

毎週1.5億人以上がChatGPTの音声・ディクテーション機能を使い、ハンズフリーの日常アシスタントとして、外国語練習として、寝る前の物語として、あるいは通勤中の何気ないおしゃべりとして活用している。今日から、音声ボタンを押して話すと、使われるのはGPT-Liveだ。

より人間らしい対話、聞き取りもより上手に

いつでも割り込んで質問したり、立ち止まって考えを整理したり、ゆっくり話すよう頼んだりできる。「うん」「わかった」といった相槌でついてきていることを示してくれる。9種の音色もすべて新たに作り直された。

必要なときはより賢い答えを

音声は今、最新のフロンティアモデルを呼び出せるようになり、自分で推論強度を選べる：速さが欲しいならInstant、もっとよく考えてほしいならMediumかHigh。

見える答えのほうが役立つこともある

話している最中、ChatGPTは今、天気、株価、スポーツのスコアなどのカードを直接見せてくれる。わざわざ文字入力で確認しなくてよい。音声は引き続き検索、メモリー、画像・ファイルアップロードにも対応。

さらにOpenAI公式が提供した実際のスクリーンショットを2枚：

スポーツ試合スケジュールカードの例

地図カードの例（近くで観戦できるバー）

音声シーン専用の安全設計

GPT-Liveは最新モデルの安全基盤の上に、音声というこの新しい形式に向けて、専用の安全トレーニングと防護策を追加している。

実際の使用によりマッチした安全テスト

OpenAIは安全テストを音声ネイティブな評価にまで拡張し、さらに合成音声で一連のテストを作成し、いくつかの重要なリスクに的を絞った。社内の専門家に音声特有のリスクについてレッドチームテストも実施させた。原文によれば、ほぼすべての評価領域でGPT-Liveの表現はAdvanced Voice Modeと同等かそれ以上だという。重点的に注視したリスクは以下を含む：

発話中に介入できる防護

音声対話はリアルタイムに進行するため、OpenAIはモデルが話している最中にも機能する防護策を用意した。システムが安全でない可能性のあるコンテンツを検知すると、次の3つのうちどれか1つを実行できる：

自傷に関わる対話については、OpenAIはChatGPTのサポートフローを音声版に適合させ、専門家によって審査された危機ホットラインのサポートを含めている。

ティーンエイジャーと声の保護

ティーンエイジャーのユーザー向けに、モデルのトレーニングには年齢に適した振る舞いが組み込まれている。保護者はParental Controlsを通じて、子どもがChatGPT音声を使えるかどうかを決められる。自傷や自殺の意図を示す兆候がある高リスクな状況では、関連する保護者に通知が届く場合がある。さらに、GPT-Liveは防護のかかった、実在の人物を模倣しない一連のプリセット音声のみを使用する。

今すぐ使えるか：対応範囲と制限

GPT-Liveは本日より全世界のChatGPTユーザーに展開され、iOS、Android、ChatGPT.comをカバーする。各プランでデフォルトで使われるバージョンは、以下の階層図を参照。

現段階でのいくつかの制限も知っておく価値がある：GPT-LiveはChatGPTで最も人気の高い言語群に最適化されており、一部の言語ではまだ非ネイティブなアクセントが残っていたり、流暢さが足りなかったりする場合がある。OpenAIは改善中だとしている。提供開始時点では音声と動画・スクリーン共有の組み合わせにはまだ対応しておらず、これらの機能は近日公開予定。APIも近日開放予定で、開発者と企業はフォームに登録して通知を待つことができる。

• 日常の音声での質問応答、外国語練習、通勤中の雑談で、割り込み、立ち止まって考えること、ゆっくり話すようにという要求が自然に認識されるようになり、頻繁に話を奪われたり誤判定されたりしなくなる。
• ウェブ検索が必要な資料調べ、専門的な科学の質問、複雑なマルチステップのタスクに遭遇しても、音声対話は深いモデルに近い精度を得られる。背後でGPT-5.5がリアルタイムに処理しているためだ。
• 天気、株価、スポーツのスコアなどの情報を調べるとき、音声対話の中で直接ビジュアルカードを見られ、わざわざ文字入力で確認する必要がない。
• 保護者はParental Controlsを通じてティーンエイジャーが音声機能を使えるかどうかをコントロールでき、自傷・自殺の意図に関わる高リスクな対話は関連する保護者に通知される。

GPT-Liveは新しいアーキテクチャに切り替え、聞きながら話しかけられるようになった：あなたが間を置けば静かに待ち、あなたが割り込めば止まる。ウェブ検索や思考が必要な難題にぶつかると、その仕事をバックグラウンドのより強力なGPT-5.5に任せ、こちらの会話は途切れない。

でも「一緒におしゃべりする」ことと「資料を調べる、推論する」ことは別の仕事。1つのモデルで両方引き受けるとどちらかが疎かになりがちだが、GPT-Liveはどうやって両立させているのか？下の図でわかる。

「小互が運転中に音声でフライトを調べる」を例に、GPT-Liveがどうやって一緒におしゃべりしながら難題をバックグラウンドに任せているかを見てみよう。

公式の数字の中で最も体感しやすいのは、「電話カスタマーサポート」タスクだ。同じ1件の仕事を、新旧バージョンでそれぞれどのくらい時間がかかるか？