API に次世代の音声モデルを導入

2025年8月28日更新：Realtime API の一般提供を開始しました。詳細はこちらをご覧ください。

過去数か月間、私たちはオペレーター、Deep Research、コンピューター使用エージェント、組み込みツールを備えた Responses API などのリリースを通じて、テキストベースのエージェント（ユーザーに代わって自律的にタスクを遂行するシステム）の知能、能力、有用性の向上に注力してきました。しかし、エージェントが真に有用であるためには、人々がテキストを超えた、より深く直感的なインタラクションをエージェントと行える必要があります。つまり、自然な話し言葉を用いて効果的にコミュニケーションを取ることが求められるのです。

本日、API で新しい音声認識および音声合成のモデルをリリースします。これにより、より強力でカスタマイズ可能かつインテリジェントな音声エージェントを構築し、真の価値を提供できるようになります。当社の最新の音声認識モデルは、最先端の新たなベンチマークを打ち立て、精度と信頼性で既存のソリューションを凌駕しています。特に訛りがある、環境が騒がしい、話すスピードにばらつきがあるといった困難な状況で優れた性能を発揮します。これらの改良により文字起こしの信頼性が向上しており、モデルは特にカスタマーコールセンターや会議議事録の文字起こしなどのユースケースに最適です。

開発者は初めて、音声合成モデルに特定の話し方を指示できるようになりました。例えば「思いやりのあるカスタマーサービス担当者のように話して」といった指示が可能になり、音声エージェントのカスタマイズ性が新たな次元へと進化します。これにより、共感的でダイナミックなカスタマーサービス音声から、創造的なストーリーテリング体験のための表現豊かなナレーションまで、幅広い用途に対応したアプリケーションを実現できます。

私たちは2022年⁠に初めての音声モデルを発表し、それ以来、これらのモデルの知能、精度、信頼性の向上に努めてきました。これらの新しい音声モデルを使用することで、開発者はより正確で堅牢な音声認識システムや、表現力豊かで個性的な音声合成を API 内で構築できます。

これらの新しい音声モデルは現在、すべての開発者が利用できます。音声を使用した開発の詳細については、こちら⁠（新しいウィンドウで開く）をご覧ください。テキストベースのモデルで対話型体験を構築している開発者にとっては、当社の音声認識モデルと音声合成モデルを追加することが、音声エージェントを構築する最も簡単な方法です。私たちは、この開発プロセスを簡素化する Agents SDK⁠（新しいウィンドウで開く） との統合をリリースします。低レイテンシの音声変換体験を構築したい開発者には、Realtime API の音声変換モデルを使用して構築することをお勧めします。

今後も、当社の音声モデルの知能と精度の向上への投資を継続するとともに、当社の安全基準に沿った形で、開発者が独自のカスタム音声を導入し、さらにパーソナライズされた体験を構築できる方法を検討していく予定です。さらに、私たちは、合成音声がもたらす課題と機会について、政策立案者、研究者、開発者、クリエイターとの対話を継続していきます⁠。これらの強化された音声機能を活用して、開発者が革新的で創造的なアプリケーションを構築することを楽しみにしています。また、開発者がマルチモーダルなエージェント体験を構築できるように、ビデオを含む他のモダリティにも投資します。