OpenAI、GPT-Live-1 APIを発表：全二重リアルタイム音声対話に対応

OpenAIは2026年9月11日、GPT-Live-1モデルを正式にAPIに導入すると発表しました。この更新により、開発者はこのモデルに基づいてリアルタイム音声対話に対応するアプリケーションやビジネスフローを構築できるようになります。GPT-Live-1の核心特性は、その全二重会話能力にあります。これはユーザーの入力を聴取しながら音声応答を同時に出力でき、会話中にユーザーの割り込み、自然な一時停止、背景ノイズの干渉を効果的に処理します。この機能により、レストランの予約やカスタマーサービスなど、高いインタラクティブ性が求められる電話シナリオのエージェントに特に適しています。

技術アーキテクチャにおいて、GPT-Live-1は音声理解と音声出力を同一モデルに統合し、従来の「音声からテキストへ—大規模言語モデルによる処理—テキストから音声へ」という多段階連携方式を変更しました。この統合によりシステムレイテンシが大幅に削減され、インタラクションの滑らかさが向上しました。同時に、モデルは複雑な推論ロジックやツール呼び出しタスクをバックエンドのテキストモデルに委譲することをサポートしており、開発者はシステムプロンプトを通じてモデルのトーン、話す速度、会話スタイルを柔軟に調整できます。また、特定のニーズに応じてバックエンドモデル、ツール、エージェントフレームワークを設定することも可能です。

評価データによると、GPT-Live-1はパフォーマンス指標において顕著な向上を達成しました。Full Duplex Benchテストでは、前世代モデルであるGPT-Realtime-2.1よりも30ポイント高いパフォーマンスを示しました。GPT-6 Astra（中程度の推論強度）と組み合わせて使用した場合、Tau3エンドツーエンド音声エージェントタスクテストで第1位を獲得しました。さらに、モデルはネイティブの音声認識書き起こしおよび返信テキスト機能を備えており、英数字の理解、キーワードバイアス、ターン検出などの技術的特性を有しているため、複雑な環境下での安定性がさらに強化されています。

初期の適用事例は、実際の開発におけるこのモデルの効率性の優位性を示しています。語学学習プラットフォームSpeakはGPT-Live-1を使用した後、学習者の思考中の一時停止時の誤った割り込み回数が、それまでのターンベースのシステムと比較して約80%減少しました。医療サービスプラットフォームの共同創設者兼CTOであるTony Stoyanov氏は、チームがこのモデルを利用してコード量を80%削減し、約2万3千行のコードを削除することで、開発と保守作業を大幅に簡素化したと述べています。

価格戦略について、OpenAIが発表した計画では、フロントエンド音声層の費用は分あたり0.05米ドルです。時間換算で60分間の場合、純粋なフロントエンド音声層の費用は約3米ドル（日本円に換算して約20.2元）となります。注意すべき点は、バックエンドモデルやエージェントツールの費用は別途計算されることです。現在、GPT-Live-1はAPIで提供されており、開発者はすぐに接続して使用することができます。

コアモデル機能のアップグレードに加え、OpenAIはリアルタイム音声の音声オプションも拡大しました。今回新たに追加されたのは、Quartz、Ripple、Vesper、Willow、Stone、Gleam、Meridian、Bossa、Tempo、Beacon、Delta、Cinderを含む複数の音声です。公式によれば、今後数ヶ月以内にさらに多くの音声スタイルと言語サポートを追加する予定であり、開発者のアプリケーションシーン選択を豊かにすることを目指しています。