GPT‑Live の紹介

GPT‑Live を公開します。AI との会話を、実際の会話により近く感じられる新世代の音声モデルです。

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「うんうん」や「はい」といった表現で注意を払っていることを示したり、すばやいやり取りに応じたり、考える時間が必要なときにはただ静かに待ったりできます。その結果、気持ちよく話しかけられる音声体験が実現します。

GPT‑Live は、これまでで最もスマートな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、背後で最新のフロンティアモデルに委任し、準備ができ次第、その結果を会話に戻します。作業中も、GPT‑Live は会話を続け、流れを保てます。提供開始時点では、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をリリースするたびに、GPT‑Live が使用するモデルを継続的に更新します。

これらの進歩により、より知的で自然に使える新しい ChatGPT 音声モードが実現します。時間とともに、この研究は、より複雑で長時間にわたり、よりエージェント的な作業に音声を使う可能性も切り開くと考えています。

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 ユーザーに順次展開します。API にも近日中に提供する予定です。開発者および企業は、この フォーム⁠ から通知登録できます。

私たちのビジョンは、真に自然な人間と AI の対話を実現することです。AI との協働が人と働くときのように滑らかで反応がよく、推論や複雑なタスク実行は背後でシームレスに進む世界です。

旧世代の音声 AI システムは、そのビジョンに近づく一歩でしたが、重要なトレードオフがありました。

カスケード型音声システムは、各ターンを処理するために、複数のモデルが順番に動作する一連の流れに依存しています。初代 ChatGPT 音声モードは 3 つのモデルを連結していました。ユーザーの発話を文字起こしする音声テキスト変換モデル、応答を生成する大規模言語モデル、それを再び音声に変換するテキスト音声変換モデルです。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可能性があり、応答は遅くぎこちないものでした。

ChatGPT 高度な音声モードのようなターン制音声モデルは、単一のモデル内で音声を処理・生成し、レイテンシを減らして会話をより滑らかにしましたが、それでも個別のターン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、やり取りが硬直的になりました。さらに、ターン検出は沈黙に基づくため、短い間や背景ノイズでさえターンの終了と誤認され、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変更によってこれらの制約に対処します。

まず、GPT‑Live は全二重アーキテクチャによる継続的な対話のために構築しました。個別のメッセージ列を処理する代わりに、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 秒に何度も行えます。

これにより、モデルはより自然なやり取りに参加し、時間感覚をより適切に保ち、ライブ翻訳まで行えるようになります。

次に、継続的な対話を担う GPT‑Live と、より深い作業を切り離しました。質問に検索、推論、またはよりエージェント的な機能が必要な場合、GPT‑Live はタスクを 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ている間も、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利用し、フロンティアレベルの知能と自然な対話を組み合わせることもできます。

快適さと会話の流れを測定する新しい人間評価を構築しました。これらの直接比較では、全体的な好み、ターンテイキング（話者交替）、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そろえた 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も強く好まれました。

• 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す。
• 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、高度な音声モードに対して大きな向上を示しています。
• τ³-Voice Telecom（内部バリアント）**：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 で、高度な音声モードを上回ります。

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。