OpenAI、ほぼ“本物の会話”の音声モデル「GPT-Live」　「間」も適切に判断

OpenAIは、"本物の会話”に近いやり取りが行なえる新世代の音声モデル「GPT‑Live」を発表した。ChatGPTの音声機能「ChatGPT Voice」を一新し、聞き取りと発話を同時に行なうことでより自然な会話を実現できるという。

ChatGPTのWebとiOS/Androidアプリで世界中で順次提供開始予定で、「GPT‑Live‑1」が、Go、Plus、ProユーザーのChatGPT Voiceのデフォルトモデルとなる。「GPT‑Live‑1 mini」はFreeユーザーのデフォルトモデルとなる。

ChatGPT Liveでは、全二重アーキテクチャに基づき構築され、聞き取りと発話を同時に行なえる。

従来の音声システムでは、各ターンのやりとりのために一連のモデルを順番に動作させる「カスケード型」(初代ChatGPT Voiceなど)や、単一のモデル内で音声の処理と生成を行なう「ターン制」(ChatGPT Advanced Voice Modeなど)などを採用していた。

カスケード型では複数のモデルを使うために、モデル間で情報が失われる場合があり、応答は遅くなること、ターン制ではユーザーが話し終わるのを待たないと正確に応答できず、わずかな間や背景ノイズがターンの終了と誤認識されるなどの課題があったという。

GPT‑Liveが採用した全二重アーキテクチャは、連続的な対話を実現するように構築。個別のメッセージのシーケンスを処理する代わりに、GPT‑Liveは出力を生成しながら入力情報を継続的に処理する。そのため、モデルは1秒間に何度も対話上の判断(話すか、聞き続けるか、一時停止するか、割り込むか、ツールを呼び出すか)を下すことができる。これにより、モデルは自然なやり取りを行ない、時間感覚をより適切に保ち、リアルタイム翻訳も実行できるようになる。

また、継続的な対話処理を担うGPT‑Liveと、高度な作業を分離。質問に対して検索、推論、エージェント機能が必要な場合、GPT‑LiveはそのタスクをGPT‑5.5などの別のモデルに委任する。これにより、バックグラウンドで複数のタスクを処理している間も、会話を継続できるようになる。

このアーキテクチャの導入により、GPT-Liveから最新のモデルやエージェントを活用できるようになるため、「最先端の知能と自然な対話の融合」が可能としている。

加えて、GPT-Liveでは、考えをまとめるために一時停止したり、ChatGPTに話すスピードを遅くするよう頼めるようになる。ChatGPTが「うん」(mhmm)や「わかった」(got it)といったフレーズで発言を自然に受け止め、会話についてきていることを示す。

人間による直接評価では、GPT-Live-1とGPT-Live-1 miniは、好感度、会話の順番、割り込み、会話の流れ、やり取りの自然さなどを測定する、5～10分間の対等な会話において、Advanced Voice Modeよりも圧倒的に好まれているという。推論レベルは、迅速な応答の「Instant」から、「Medium」や「High」などが選択できるほか、音声も9種類用意する。

また、音声で回答するだけでなく、ビジュアルを示してわかりやすさを向上する場合もある。例えば、話している最中に、ChatGPTが天気、株価、スポーツなどのトピックについて、ビジュアルカードを表示する。また、Voiceからの検索やメモリー機能、画像、ファイルのアップロードにも対応する。

安全性にも配慮し、年齢に応じた適切な振る舞いをモデルに直接学習させているほか、10代の子供がChatGPT Voiceを使用するかどうかは親が決定するペアレンタルコントロールを導入している。また、自傷行為に関する会話では、危機対応ヘルプラインのサポートの提供など、ChatGPTのサポートフローを音声版に合わせて改良・導入しており、自傷行為や自殺意図が見られる高リスクな状況では連携している保護者に通知される場合がある。また、実在する人物の声を模倣しないよう安全対策を導入している。

GPT‑Liveは、ChatGPT Voiceの次世代の基盤となり、GPT‑Live‑1が有料契約者のデフォルトモデルに、GPT‑Live‑1 miniが無料ユーザーのデフォルトモデルになる。APIも近日中に提供予定。一部の言語では流暢さにかける場合があるとしているが、今後順次改善する。

また、リリース当初は、ChatGPTの音声通話と動画や画面共有の同時利用は不可となるが、近日中に対応予定。なお、音声通話などに対応したChatGPT Voiceの旧バージョンも引き続き提供する。