ChatGPTが“相づち”を打つ会話AIに進化。自傷やAIへの感情依存対策も

　「ChatGPT」が「うんうん」と相づちを打ち、こちらが考え込めば口を挟まず黙って待つ——。OpenAIは7月8日(米国時間)、人と話しているかのような自然な対話を実現する新世代の音声AIモデル「GPT-Live」を発表した。自然さの向上と併せて、自傷やAIへの感情的依存といった音声特有のリスクへの対策も強化されたほか、リアルタイム翻訳にも対応する。

　GPT-Liveは、ChatGPTの音声モードの基盤となる音声専用モデル。「GPT-Live-1」と「GPT-Live-1 mini」の2モデルが同日から、iOS/Android/Webの全世界のChatGPTユーザーに順次展開される。GPT-Live-1はGo/Plus/Proプラン、miniは無料プランの音声モードの標準モデルとなる。

　最大の特徴は、聞くことと話すことを並行して行なえる自然な同時双方向会話(フルデュプレックス)アーキテクチャだ。従来はユーザーが少し考え込んだだけで不自然に割り込んでしまうことがあった。GPT-Liveは入力を処理しながら出力を生成し続け、話す・聞く・黙るといった判断を毎秒何度も下す。

　これにより、ユーザーは会話の途中で割り込んだり、聞き役に徹するよう頼んだりできる。騒音下でのユーザー音声の聞き分けやリアルタイム翻訳にも対応する。ChatGPTでは音声やディクテーション(音声入力)などの機能を毎週1億5,000万人以上が利用している。9種類の音声もGPT-Live向けにリマスターされた。

　もう1つの柱が「委任」だ。Web検索や高度な推論が必要な質問は、裏側で最新のフロンティアモデル(公開時点ではGPT-5.5)に処理を委ね、その間も会話を途切れさせない。

　このほか、推論レベル(回答前にどれだけ深く考えるか)はInstant/Medium/Highから選べる。選択に応じて、裏側では即答型の「GPT-5.5 Instant」と推論型の「GPT-5.5 Thinking」が使い分けられる仕組みだ。会話中に天気や株価、スポーツなどのビジュアルカードを表示する機能も加わった。社内の人間評価では、会話の流れや割り込みの自然さでAdvanced Voice Modeより強く支持されたという。

　安全面では、自傷やAIへの感情的依存など音声特有のリスク領域に対する専用の安全学習を実施した。音声の応答をリアルタイムに生成している最中でも、危険な出力を検知した時点で安全な応答へ軌道修正する仕組みを備えるほか、ペアレンタルコントロールで保護者が10代ユーザーの音声機能の利用可否を選択できる。実在の人物の声の模倣は防止される。

　なお、公開時点ではカメラ映像や画面共有を見せながら話すマルチモーダルな音声会話には非対応だが近日対応予定となっており、従来のStandard/Advanced Voice Modeでは引き続き利用可能。また、言語によっては訛りや流暢さの不足が残る場合がある。API経由での提供も近日中に予定されている。