OpenAIが新しい ChatGPT Voice (GPT-Live) を発表しました。
https://x.com/miyaguchi_kioku/status/2075030481788444838
従来のChatGPTが「質問に答えるAI」だったとすれば、新しいVoiceは人間と自然に会話するために設計されたAIです。
一番の違いは、
- 相手が話している途中でも自然に会話できる
- 「えーと…」と考えながら話しても理解する
- 会話しながら裏でWeb検索・推論を実行できる
- 会話を止めずにリアルタイム翻訳できる
という点です。
まるで電話の向こうに優秀なアシスタントがいるような体験になっています。
この記事では、発表デモを日本語で紹介します。
ChatGPT Voiceで何が変わったのか
これまでの音声AIは、
話す
↓
終了を待つ
↓
AIが考える
↓
返答
という半二重通信（Push-to-Talk）のような仕組みでした。
今回のVoiceでは、
人が話す
↓
AIが聞き続ける
↓
途中で割り込む
↓
訂正にも対応
↓
自然なタイミングで返答
という、人間同士の電話のようなフルデュプレックス会話になっています。
つまり、
「会話」ができるようになった
と言っても過言ではありません。
デモ① 編み物から始まる自然な会話
話者
孫のためにセーターを編んでいるんですが、あまり太い編み針は使いたくないんです。
AI
太い針だと少しゆったりした雰囲気になりますね。
話者
でも最近はそのスタイルが流行っていますよね？
AI
そうですね。
（ここで普通の雑談が自然に続く）
その後、
本日、新しいChatGPT Voiceを発表します。
というプレゼンへ自然につながります。
フルデュプレックスとは？
開発者は次のように説明しています。
友人と電話している様子を想像してください。
人間は
- 相手の話を聞きながら
- 相づちを打ち
- 割り込み
- 訂正し
- 「えーっと」と考えながら話します。
今回のVoiceは、
この人間らしい会話そのものをモデル化しています。
デモ② 会話しながら検索・推論
コンスタンスは、
「30分後に音の歴史について講義をする」
と言います。
そしてAIへ、
- 歴史の年代確認
- 地下鉄(BART)の遅延確認
- 今日の天気
を一気に依頼します。
AIは会話を止めることなく、
- Web検索
- ファクトチェック
- 推論
を同時に実行します。
最後に、
エジソンの蓄音機は1865年ではなく1877年です。
と訂正しました。
さらに、
「実は試しただけでした」
というジョークにも自然に返しています。
デモ③ リアルタイム翻訳
最後は、
英語⇔フランス語の同時通訳です。
ユーザーが普通に英語で話すと、
AIが即座にフランス語へ翻訳。
しかも、
交渉まで自然に成立しています。
これまでの
話す
↓
翻訳
↓
待つ
ではなく、
会話そのものを翻訳している
という印象です。
技術的に面白いポイント
今回一番驚いたのは、
音声モデルと推論モデルが完全に融合したことです。
従来は、
音声認識
↓
LLM
↓
音声合成
という3段階でした。
今回は、
- 音声
- 推論
- Web検索
- 翻訳
が一つの会話体験として統合されています。
そのため、
「えーっと…」
「いや、それじゃなくて」
「さっきの話だけど」
といった、人間なら当たり前に行う会話も自然に理解できます。
感想
正直、
これは「音声対応になったChatGPT」ではありません。
電話の向こうにAIアシスタントがいる世界
に一歩近づいたと感じました。
今後は、
- 英会話
- 会議
- コーディング
- カスタマーサポート
- 通訳
など、ほぼすべての音声インターフェースが変わる可能性があります。
エンジニア視点で一番新しいポイント
今回の発表で最も新しいのは、「音声機能が良くなった」ことではなく、リアルタイム音声・推論・Web検索・翻訳を単一の会話として統合したアーキテクチャです。
会話の途中で検索し、推論し、必要なら翻訳しながら、人間らしいテンポで応答する――この統合体験こそがGPT-Liveの本質であり、今後の音声AIの方向性を大きく変える発表だと感じました。