GPT‑Live の紹介

自然な人間と AI のやり取りを実現する新世代の音声モデル、GPT‑Live をリリースします。

GPT‑Live は全二重アーキテクチャを基盤としており、聞くことと話すことを同時に行えます。会話中、GPT‑Live は「mhmm」や「yeah」といった表現で注意を向けていることを示したり、すばやい掛け合いに応じたり、考える時間が必要なときには静かに待ったりできます。その結果、驚くほど話しやすい音声体験が実現します。

GPT‑Live は、これまでで最も賢い音声モデルでもあります。ウェブ検索、より深い推論、より複雑な作業が必要な質問では、バックグラウンドで最新のフロンティアモデルに処理を委ね、結果の準備ができ次第、会話に戻します。処理中も GPT‑Live はあなたとの会話を続け、流れを保つことができます。リリース時点では、GPT‑Live はバックグラウンドで GPT‑5.5 を使用します。新しいフロンティアモデルのリリースに合わせて、GPT‑Live が使用するモデルも継続的に更新していきます。

これらの進歩により、より知的で自然に使える新しい ChatGPT 音声モード体験が実現します。長期的には、この研究によって、ますます複雑で長時間にわたる、よりエージェント的な作業に音声を使えるようになると考えています。

本日より、GPT‑Live の 2 つのバージョンである GPT‑Live‑1 と GPT‑Live‑1 mini を、世界中の ChatGPT ユーザーに順次提供します。今後まもなく API にも導入する予定です。開発者と企業のお客様は、このフォーム⁠から通知を受け取るための登録ができます。

私たちのビジョンは、真に自然な人間と AI のやり取りを実現することです。AI との協働が別の人と仕事をするのと同じくらい滑らかで応答性に優れ、同時に推論や複雑なタスク実行がバックグラウンドで途切れなく進む世界を目指しています。

旧世代の音声 AI システムは、そのビジョンに私たちを近づけましたが、重要なトレードオフもありました。

カスケード型音声システムは、各順番を処理するために、複数のモデルが順に動作する仕組みに依存しています。初代 ChatGPT 音声モードでは、3 つのモデルを連結していました。音声を文字起こしする音声認識モデル、応答を生成する大規模言語モデル、そしてそれを音声に戻すテキスト読み上げモデルです。このアプローチにより、初めてフロンティア AI モデルと話せるようになりましたが、その複雑さには代償がありました。モデル間で情報が失われることがあり、応答は遅く、ぎこちないものになっていました。

ChatGPT 高度な音声モードのような順番ベースの音声モデルは、1 つのモデル内で音声を処理・生成することで遅延を減らし、会話をより滑らかにしました。しかし、それでも個別の順番を通じて動作していました。モデルは応答する前にユーザーが話し終えるのを待つ必要があり、その結果、硬直したやり取りになっていました。さらに、順番の検出は無音を基準にしているため、ごく短い間や背景音でさえ順番の終わりと誤認され、モデルが不自然なタイミングで割り込むことがありました。

GPT‑Live は、2 つのアーキテクチャ上の変更によって、これらの制約に対処します。

第一に、全二重アーキテクチャを用いて、GPT‑Live を継続的なやり取りのために構築しました。別々のメッセージ列を処理するのではなく、GPT‑Live は出力を生成しながら入力を継続的に処理します。そのためモデルは、話す、聞き続ける、一時停止する、割り込む、ツールを呼び出すといった対話上の判断を、1 秒間に何度も行えます。

これにより、モデルはより自然な掛け合いを行い、時間感覚をより適切に保ち、ライブ翻訳まで実行できます。

第二に、継続的なやり取りを担う GPT‑Live を、より深い作業から切り離しました。質問に検索、推論、またはよりエージェント的な能力が必要な場合、GPT‑Live はそのタスクを GPT‑5.5 のような別のモデルに委任できます。これにより、バックグラウンドで複数のタスクを処理しながらでも、会話を続けられます。

このアーキテクチャ変更により、GPT‑Live は最新のモデルやエージェントを継続的に活用し、フロンティアレベルの知能と自然なやり取りを組み合わせられるようにもなります。

私たちは、心地よさと会話の流れを測定するために、新しい人間評価を構築しました。これらの直接比較では、全体的な選好、発話の順番、割り込み、会話の流れ、各やり取りの自然さを測定する条件を揃えた 5〜10 分の会話において、GPT‑Live‑1 と GPT‑Live‑1 mini は高度な音声モードより強く好まれました。

• GPQA: GPT‑Live‑1 は、生物学、化学、物理学にわたる専門家レベルの科学的推論をテストする GPQA で、高度な音声モードを大きく上回りました。
• BrowseComp: GPT‑Live‑1 は、エージェント的なウェブ検索と、見つけにくい情報を探し出す能力をテストする BrowseComp で、高度な音声モードを大きく上回る改善を示しました。
• τ³-Voice Telecom**: GPT‑Live‑1 は、現実的な複数ターンの通信サポートタスクで音声エージェントをテストする τ³-Voice Telecom において、高度な音声モードを上回りました。

毎週 1 億 5,000 万人以上が、音声やディクテーションなどの機能を使って ChatGPT と話しています。日常のちょっとした用事をハンズフリーで済ませたり、語学を練習したり、寝る前のお話を聞いたり、通勤中にただ会話したりするために使われています。

本日より、音声ボタンをタップして ChatGPT と話すと、GPT‑Live による改善された体験を利用できます。会話はより自然に、回答はより賢く、聞き取りはより的確になり、視覚的な回答も得られます。

ChatGPT との会話は、これまで以上に本物の会話に近く感じられるようになります。途中で質問を差し込んだり、考えをまとめるために間を置いたり、ChatGPT にゆっくり話すよう頼んだりできます。「mhmm」や「got it」のような表現で、あなたの話を自然に受け止めていることを示すため、きちんと聞いていると分かります。また、ChatGPT に用意されている 9 種類の個性的な音声を、GPT‑Live 向けにリマスターしました。

ChatGPT 音声モードは、必要に応じて最新のフロンティアモデルを活用し、より賢い回答を返せるようになりました。ニーズに合わせて推論レベルを選ぶこともできます。すばやい応答には Instant、ChatGPT により時間をかけて考えさせたい場合には Medium と High を利用できます。

少し考える時間を取っても、ChatGPT 音声モードはすぐに割り込まず、待つようになりました。静かに聞いていてほしいと頼めば、その通りにします。また、通り過ぎる車や近くの会話などの背景音があっても、ChatGPT は気を取られず、あなたの声により集中できるようになりました。

回答によっては、見て確認できるほうが役立つことがあります。会話中に、ChatGPT は天気、株価、スポーツなどのトピックについて、情報量の多いビジュアルカードを表示できるようになりました。音声モードでは引き続き、検索、メモリ、画像、ファイルアップロードにも対応しています。

その結果、ChatGPT 音声モードは、より自然で、より高機能で、日常生活にいっそう役立つ体験になりました。

GPT‑Live は、標準で安全に使えるよう設計されています。最新モデルの安全性向上を土台にしながら、主要なリスク領域にわたる専用の安全性トレーニングと、音声向けに特化して設計された新しい保護策を追加しています。

人々が現実の場面で音声をどのように使うかをより正確に反映するため、まず新しい音声ネイティブ評価を含める形で安全性テストを拡大しました。また、高度な音声モードから得た学びを活かし、生成音声を使って主要な安全性領域により集中的に取り組む合成評価も作成しました。これらの領域には、自傷、精神病症状と躁状態、AI への情緒的依存、暴力、性的コンテンツが含まれます。社内の専門家も、音声に特有のリスクについてモデルのレッドチーミングを行いました。

私たちのテストでは、評価したほぼすべての領域で、GPT‑Live は高度な音声モードと同等、またはそれ以上の性能を示しました。テストと保護策の詳細は、GPT‑Live の System Card⁠（新しいウィンドウで開く） でご覧いただけます。

音声会話はリアルタイムで進むため、モデルが話している最中にも機能する保護策も組み込みました。システムが安全でない可能性のある出力を検知すると、モデルをより安全な応答へ導いたり、追加の安全性メッセージやリソースを提示したり、リスクが高い場合には音声会話を終了したりできます。自傷に関わる会話については、専門家の確認を受けた危機対応ヘルプラインのサポートを案内することを含め、ChatGPT の支援フローを音声向けに適応させました。

10 代のユーザーを支えるための追加の保護策を設計し、不適切な応答のリスクを減らすため、年齢にふさわしい振る舞いをモデルに直接トレーニングしました。保護者は、ペアレンタルコントロールを通じて 10 代の子どもが ChatGPT 音声モードを使えるかどうかを選択できます。また、連携済みの保護者には、自傷の可能性や自殺意図の兆候を含む高リスクの状況で通知が届く場合があります。

情緒的依存に焦点を当てた長期的な測定とリリース後のモニタリングも導入し、理解を深めながら保護策を改善し続けます。感情的な利用と情緒的ウェルビーイングに関するこれまでの研究を土台に、こうした取り組みは新たなパターンの把握や、感情的に繊細なやり取りにおけるシステムの応答改善に役立ちます。

最後に、GPT‑Live は会話のために設計されたものであり、声のなりすましを目的としたものではありません。ChatGPT にあらかじめ用意された一連の音声を使用し、実在する人物の声を模倣しないよう保護策を備えています。

私たちは安全性とウェルビーイングの支援に取り組んでおり、実環境での利用から学びながら、これらの保護策を継続的に強化していきます。

GPT‑Live は現在、iOS、Android、ChatGPT.com⁠（新しいウィンドウで開く） で、世界中の ChatGPT ユーザーに順次提供されています。GPT‑Live‑1 は Go、Plus、Pro ユーザー向けに ChatGPT 音声モードを支えるデフォルトモデルとなり、GPT‑Live‑1 mini は Free ユーザー向けのデフォルトとなります。提供状況の詳細は、ヘルプセンター⁠（新しいウィンドウで開く）でご確認いただけます。

私たちは、ChatGPT で特に多く使われているいくつかの言語向けに GPT‑Live を最適化しました。一部の言語では、モデルに非ネイティブのアクセントが出たり、流暢さに不足があったりする場合があります。私たちは、言語をまたいだ体験の改善に積極的に取り組んでいます。

リリース時点では、GPT‑Live は ChatGPT での動画付き音声や画面共有には対応しませんが、これらの機能をまもなく導入できるよう取り組んでいます。これらの機能が利用できる場合は、Standard や高度な音声モードを含む ChatGPT 音声モードの従来版にも引き続きアクセスできます。