OpenAI、全二重音声モデル『GPT-Live』を発表──聞きながら喋り、裏でGPT-5.5に委任する新設計

3行まとめ

1. OpenAIが全二重（フルデュプレックス）音声モデル「GPT-Live」を発表、ChatGPT Voice として全ユーザーに展開開始
2. 会話担当と思考担当を分離──検索・推論が必要な質問はバックグラウンドでGPT-5.5に委任し、会話を途切れさせない
3. GPT-Live-1（Go/Plus/Pro向け）とGPT-Live-1 mini（Free向け）の2モデル。API提供も予定

何が起きたか

OpenAIの公式発表によると、2026年7月8日、同社は音声モデルの新世代「GPT-Live」を発表し、iOS・Android・ChatGPT.comで全ユーザー向けに順次展開を開始した。GPT-Live-1がGo/Plus/Proユーザーのデフォルト、GPT-Live-1 miniがFreeユーザーのデフォルトとなる。

技術的に何が変わったか

OpenAIによると、GPT-Liveには2つのアーキテクチャ上の変更がある。

1. 全二重（フルデュプレックス）

従来の音声AIは「ユーザーが話し終わる→モデルが応答する」の交互式だった。GPT-Liveは聞きながら同時に喋れる全二重設計で、毎秒複数回「喋るか・聞き続けるか・黙るか・割り込むか・ツールを呼ぶか」を判断するとされている。

相槌（「mhmm」「got it」）を打つ、ユーザーが考え中なら待つ、といった振る舞いが可能になったとOpenAIは説明している。

2. 委任アーキテクチャ

会話のリアルタイム処理と、検索・推論などの重い処理を分離した。質問が検索や深い推論を必要とする場合、GPT-LiveはバックグラウンドでGPT-5.5に処理を委任し、結果が返るまで会話を続ける。OpenAIによると、今後新しいフロンティアモデルがリリースされるたびにバックグラウンドのモデルも更新される。

これまでの3世代

OpenAIは発表の中で、音声AIの進化を3段階で整理している。

世代	方式	制約
第1世代（旧ChatGPT Voice）	カスケード型（音声→テキスト→LLM→音声合成の3モデル直列）	遅い、情報ロスが発生
第2世代（Advanced Voice Mode）	ターンベース型（1モデルで音声入出力）	交互式のため沈黙を発話終了と誤検知して割り込む
第3世代（GPT-Live）	全二重＋委任	後述の制限あり

評価

OpenAIによると、GPT-Live-1はAdvanced Voice Modeとの比較で以下のベンチマークを上回った。

• GPQA（専門家レベルの科学的推論）で大幅に上回る
• BrowseComp（エージェント型ウェブ検索）で強い改善
• τ³-Voice Telecom（マルチターンのテレコムサポートタスク）で上回る

ただし具体的なスコアは発表に記載されておらず、ベンダー自社評価である点は留意が必要。

現時点の制限

• ビデオ・画面共有は非対応（対応作業中とのこと。レガシー版のAdvanced Voice Modeでは引き続き利用可能）
• 言語によってはアクセントや流暢さにムラがある
• 声の模倣は不可（事前定義された9種の音声のみ）

安全対策

OpenAIによると、自傷・精神疾患・AI依存・暴力・性的内容の5領域に専用の音声ネイティブ評価を構築し、リアルタイムで安全でない出力を検知して軌道修正するセーフガードを組み込んでいる。10代ユーザー向けの追加保護と保護者コントロールも導入。詳細はSystem Cardに記載されている。

補足

毎週1億5,000万人以上がChatGPTの音声機能を利用しているとOpenAIは発表している。GPT-LiveのAPI提供も予定されており、通知登録フォームが公開されている。

---

出典: Introducing GPT-Live — OpenAI / GPT-Live System Card

本記事の情報はOpenAIの公式発表（2026年7月8日付）に基づく。ベンチマーク数値はベンダー自社評価であり、独立した第三者検証は記事執筆時点で確認されていない。