OpenAIは水曜日にGPT-Liveを開始し、既存のアドバンスト音声モードを置き換える2つの新しい音声モデルを導入した。 GPT-Live-1 および GPT-Live-1 mini のモデルでは、人間の会話を模倣して、同時に聞くことと話すことができます。 GPT-Live-1 は Go、Plus、Pro レベルの有料ユーザーのデフォルトであり、GPT-Live-1 mini は無料レベルのユーザー用です。
展開は iOS、Android、ChatGPT.com で世界的に開始されます。 OpenAI は、開発者向けの API にモデルを統合する予定です。 GPT-Live は、2 年以内に開発された ChatGPT の音声テクノロジーの第 3 世代を表します。
GPT-Live の主な機能は、応答を生成しながらリアルタイムのオーディオ処理を可能にする「全二重アーキテクチャ」です。 「GPT-Liveは、一連の別々のメッセージを処理するのではなく、出力を生成しながら入力を継続的に処理する」とOpenAIはブログ投稿で述べた。これにより、「うーん」などの会話的な確認が可能になり、交換中の中断を回避できます。
2024 年 9 月にリリースされた以前のアドバンスト ボイス モードは、厳格なターンバイターンのやり取りで動作し、ユーザー エクスペリエンスに不満をもたらしていました。周囲の騒音により応答が早まってしまい、会話の流れに影響を与える可能性があります。
また、GPT-Live は、複雑なクエリをバックグラウンド モデル、つまり GPT-5.5 に委任することで、音声対話を推論から分離し、会話をシームレスに継続します。 「GPT-Live が機能している間、GPT-Live は会話を続け、会話の流れを維持できます」と OpenAI は説明しました。
2023 年に開始された ChatGPT のオリジナルの音声は、モデル間で遅延と情報の損失を引き起こす複雑なパイプラインに依存していました。このセットアップはアドバンスト音声モードで改良され、プロセスの合理化を試みましたが、依然として厄介な一時停止や中断が発生しました。
OpenAIは、声のなりすましをめぐる過去の論争、特に女優のスカーレット・ヨハンソンに似た「スカイ」の声に起因する論争からの懸念を軽減しようとしている。同社は、GPT-Live がなりすましを回避し、実際の人の声を模倣することに対する保護手段を組み込んでいることを強調しました。
現在、毎週 1 億 5,000 万人を超えるユーザーが ChatGPT の音声機能を利用しており、これは合計 9 億人のアクティブ ユーザーのうちの一部です。 GPT-Live を使用すると、ユーザーは豊富なビジュアル カードにアクセスし、インスタント、中、高の 3 つの応答推論レベルから選択できます。このシステムはまた、周囲の騒音や会話中のユーザーの中断を管理するパフォーマンスの向上も約束します。
新型に伴い安全対策も進化。 OpenAI は広範な評価を実施し、自傷行為やヘイトスピーチなどのカテゴリにおける GPT-Live のパフォーマンスの向上を実証し、リアルタイムの音声インタラクションに関連する固有のリスクに対処しました。
OpenAI が音声テクノロジーを進歩させる一方で、Google、ByteDance、Nvidia などの競合他社も最近独自の全二重システムを立ち上げました。 GPT-Live には現在、音声 AI 製品の標準になりつつあるビデオ インタラクションや画面共有などの特定の機能がありません。
全体として、GPT-Live は、音声を人工知能の主要な対話層として位置づけ、AI コミュニケーションにおけるより自然でエージェント的な機能を目指しているため、OpenAI にとって大きな進歩を表しています。
