ChatGPTの音声が「相槌」を覚えた — GPT-Liveの全二重会話と、やりすぎ問題

電話で相手と同時に話し始めて「あ、どうぞどうぞ」となった経験は誰でもあるだろう。AIとの音声会話も、これまでずっとこの問題を抱えていた。こちらが話し終わるのを待ち、それから返す。トランシーバーのような交互通信だ。

OpenAIが7月8日に発表したGPT-Liveは、この制約を取り払った。全二重（フルデュプレックス）通信で、AIが話しながら同時にこちらの声を聞く。割り込める。考え込んでいるときは黙って待つ。そして「うんうん」「なるほど」と相槌まで打つ。

ただし、この相槌が曲者だった。

Advanced Voice Modeは完全に置き換わる

GPT-Liveは既存のAdvanced Voice Modeの後継ではなく、置き換えだ。GPT-Live-1（フルモデル）とGPT-Live-1 mini（軽量版）の2種類があり、既存ユーザーには自動的にアップデートされる。

プラン	月額	利用できるモデル
Free	無料	GPT-Live-1 mini
Go	約1,200円（$8）	GPT-Live-1
Plus	約3,000円（$20）	GPT-Live-1
Pro	約15,000円〜	GPT-Live-1

無料プランでもmini版が使える。追加料金なしで既存のサブスクリプションに含まれるのはありがたい。

声だけで終わらない — 裏でGPT-5.5が動く

GPT-Live単体は会話の自然さに特化したモデルだが、複雑な質問や調査が必要な場面ではバックグラウンドでGPT-5.5に処理を委譲する。会話を続けながら裏で検索や推論を回し、結果が出たら会話に組み込む。

Web検索にも対応しており、BrowseCompベンチマークのスコアはAdvanced Voice Modeの0.7%に対してGPT-Live-1は75.2%。「今日の天気」「この株の値段」といったリアルタイム情報を音声で聞けるようになった。天気やスポーツのスコア、地図などは画面上にカード型のウィジェットで表示される。

日本語にも対応している。リアルタイム翻訳機能があり、「これから私が話す内容を日本語に同時通訳して」と言えば、話しながらの逐次翻訳が可能だ。ただし専用の翻訳UIは現時点ではなく、言語ペアの選択や並列字幕表示などは将来の課題として残されている。

「相槌がうるさい」問題

GPT-Liveのいちばんの特徴であり、いちばんの論争点が相槌だ。

全二重通信を活かして、こちらが話している間に「mhmm」「yeah」「なるほど」と合いの手を入れてくる。人間同士の会話では自然な行為だが、AIがやると「頻度が多すぎる」「集中を妨げる」という声が目立つ。テキストの通知と違い、音声は直接注意を奪う。不適切なタイミングで入る相槌は、自然さではなくイライラを生む。

OpenAI自身もこのフィードバックを把握しており、頻度の調整を進めている。ここは正直、リリースを急いだ感がある。Googleの Gemini Liveとの競争意識が先行した可能性は否定できない。

Gemini Liveとの違い

GPT-LiveとGemini Liveは同じ「AIとの自然な音声会話」を目指しているが、賭けた方向が違う。

OpenAIは会話の質に賭けた。全二重通信、相槌、適切な間の取り方。会話そのものの自然さを突き詰めている。

Googleは知覚に賭けた。カメラで目の前のものを映しながら会話する、画面共有しながら質問する。マルチモーダルな入力を音声会話に統合している。

GPT-Liveは発表時点でカメラ入力も画面共有もサポートしていない。この差は大きい。料理中にスマホのカメラで材料を見せながら「これで何が作れる？」と聞けるのはGemini Liveだけだ。

一方、レビュアーの評価では「最も自然な音声AI」としてGPT-Liveが首位についている。会話の流れ、声の表現力、応答の的確さでは一歩リードしている。

音声AIの本当の勝負はこれから

GPT-Liveが面白いのは「AIと話す」体験がようやく実用の入り口に立ったことだ。

全二重通信とWeb検索の組み合わせで、たとえば運転中にハンズフリーで「近くで評価4以上のラーメン屋を探して」と言い、結果を音声で聞きながら「2番目のやつ、駐車場ある？」と追加で聞く——こういう使い方が自然にできるようになった。

リアルタイム翻訳が安定すれば、海外旅行でスマホを挟んで現地の人と会話する場面も現実的になる。翻訳精度と遅延がどこまで詰められるかが鍵だが、方向としては正しい。

ただし現時点では、APIが公開されていない。開発者が自分のアプリにGPT-Liveの音声体験を組み込むことはまだできない。ElevenLabsのような音声AI専業プレイヤーとの差別化も、API公開後に本格的な競争になるだろう。

相槌の調整、カメラ入力の追加、APIの公開。GPT-Liveが真価を発揮するのは、この3つが揃ったときだ。現時点でも「AIとの会話ってこうあるべきだよな」と思わせる瞬間はあるが、磨きが足りない部分も正直に見える。