まだ話し終わっていないのに、AIが答え始めてしまう——これはChatGPTの音声モードで最も気まずい瞬間だ。OpenAIの今回のアップデートの重点は、モデルをより賢くすることではなく、まずこの最も基本的な会話マナーの問題を解決することにある。
ChatGPTの音声機能は現在で第3世代を迎えた。2023年の初代Voice Modeは実は3つのシステムを無理につなぎ合わせたものだった。まず音声をテキストに変換し、言語モデルに渡して回答を生成させ、さらに別のテキスト読み上げモデルで音声化する——その間にはっきりとした機械的な違和感があった。その後のAdvanced Voice Modeはこのプロセスを単一のマルチモーダルモデルに統合し、体験は改善されたが、それでも交互発言のアーキテクチャだった。あなたが一瞬言葉を止めると、AIはもう話が終わったと思い込み、答え始めてしまう——結局あなたはまだ話の途中だったのに。
現在デフォルトで採用されているのはGPT-Liveだ。OpenAIはこれを「フルデュプレックス」アーキテクチャと呼んでおり、聞くことと話すことを同時に行える。実際に使ってみて最も分かりやすい違いは、あなたが話している最中に時々「うんうん」「そうだね」といった短い相槌を発することだ。まるで実際に人が話を聞いているときに無意識に頷くのと同じような感覚だ。推論や情報検索が必要な複雑な質問に対しては、GPT-Liveはその作業をバックグラウンドのGPT-5.5などのモデルに任せながら、会話が途切れないよう維持する。
有料版と無料版の違い
GPT-Liveは現在、iOS・AndroidのChatGPTアプリおよびウェブ版で利用可能だ。Pro、Plus、Goのサブスクリプション利用者はGPT-Live-1モデルを使用し、無料利用者はGPT-Live-1 miniとなる。会話を始めるには、テキスト入力欄の最も右側にある波形マークの音声アイコンをタップするだけでよい。初回利用時にはマイクへのアクセス許可を求められる。
音声モードに入ると、画面上に音声に反応して動く浮遊球体が表示される。右上の設定アイコンをタップすると、Instant、Medium、Highの3段階のインテリジェンスレベルを切り替えられる——ただしこのカスタマイズ機能は有料プランのみで、mini版では現時点で調整できない。音声通話中に他のアプリに切り替えたり、スマートフォンをロックしたりしても、ChatGPTは通話状態を維持し続ける。
GPT-Liveは現時点では画面共有機能をサポートしていない。この機能が必要な場合は、設定内のVoiceメニューから旧版の音声モデルに切り替えることができる。同じメニューから発音の変更、言語の変更、あるいは音声モードをアプリ起動時のデフォルト状態に設定することも可能だ。
話しながら待ってくれている感覚
Engadgetの編集者Adnan Ahmedは元々テキスト入力に慣れており、音声機能にはあまり実感がなかったが、GPT-Liveで実際にいくつかの長めの対話をしてみて印象が変わったという。彼が感銘を受けたのは回答がどれだけ賢いかということではなく、AIと話していることをすぐに忘れてしまうという点だった——話を遮られることもなく、話し終わるのを気まずく待って口を挟む必要もない。長い文章を話しているときには、相手が次に言うことを予測しているような感覚さえあったという。
このリアルタイムな反応性は、GPT-Liveをリアルタイム通訳としても適したものにしている。会話中いつでも下にスクロールすれば完全な逐語記録を確認できる。質問がグラフやインターフェースで表現するのに適していれば、システムは音声回答の横にインタラクティブなビジュアル要素を生成する。
インテリジェンスレベルはデフォルトでInstantに設定されており、日常的な質問を処理するには十分な速さと実用性がある。検証や深い推論が必要な内容に遭遇した場合は、依然としてタスクをバックグラウンドモデルに渡す。複雑な議題を頻繁に議論する場合は、MediumまたはHighに切り替えると1〜2秒ほど思考時間が長くなるが、そのわずかな遅延は会話のスムーズさには影響しない。
