2026年09月11日 12時21分 AI

OpenAIが音声会話AI「GPT-Live-1」のAPIをリリース

OpenAIが音声エージェントの話し方や動作をより細かく制御できる音声モデル「GPT-Live-1」のAPIを発表しました。開発者が用途に合わせて音声エクスペリエンスを制御することができます。

Build more natural voice experiences with GPT‑Live‑1 in the API | OpenAI
https://openai.com/index/introducing-gpt-live-1-in-the-api/

GPT-Live-1 is now available in the API.

Bring ChatGPT’s natural back-and-forth to your app, with voice agents that listen while they speak and work with the models and harness you choose. pic.twitter.com/gIl1gwsBDV
— OpenAI Developers (@OpenAIDevs) 2026年9月10日

「GPT-Live」は2026年7月に登場した新世代音声モデルで、話す→聞く→話すという従来のやりとりから、話を聞きながら同時に話せる「フルデュプレックス方式」を採用しています。また、自然な会話を担当する部分と、検索や推論などの重い作業を担当する部分を分離している点も特徴で、ウェブ検索や深い推論などの複雑な作業が必要な場合、GPT-Liveは背後で最新のフロンティアモデルに処理を委任し、作業中も会話の流れを維持できます。

ChatGPTの音声モードでより自然な会話を可能にする「GPT-Live」が登場、話を聞きながら相づちや割り込みに対応 - GIGAZINE

新たに「GPT-Live-1」のAPIが2026年9月10日に発表されました。APIにおけるGPT-Live-1の主な強みとしてOpenAIが挙げている特徴が以下。

・割り込み処理：
入力された音声と出力する音声をまとめて推論する単一のモデルにより割り込み処理を改善し、従来の音声認識(STT)→大規模言語モデル(LLM)→音声合成(TTS)という連結型アーキテクチャにおける遅延や各モデル間の受け渡しが不安定になる問題を解消。

・推論とツール呼び出しの委任：
GPT-Live-1は、推論やツール呼び出しをGPT-6 Astraのようなバックエンドのテキストモデルや、サードパーティ製モデルに委任できます。

・トーン、ペース、会話スタイル：
開発者はシステムプロンプトを通じて、AIエージェントの話し方のトーン、話す速さ、会話スタイルを自由に設定できます。

・無音・周囲の雑音の処理：
会話を中断したり、処理の手順を声に出して説明することなく、周囲の雑音や無音状態をより適切に処理します。

・長時間セッションでの信頼性：
長時間のやり取りにおいても、文脈の保持と会話の質を向上します。

・電話への対応：
レストランの予約からカスタマーサポートまで、電話対応のフルデュプレックス方式エージェントの導入を可能にします。

GPT-Live-1による音声会話の例は以下のポストで確認可能。

Shape your voice agent’s personality with instructions for tone, pacing, and expressiveness.

GPT-Live-1 can mirror the tone and emotion in a speaker’s voice and adapt to their pace.

You can also set its language and response length. pic.twitter.com/kRIoQjn10y
— OpenAI Developers (@OpenAIDevs) 2026年9月10日

以下のポストではカフェなどの雑音の多い環境での動作を確認できます。

GPT-Live-1 finally makes conversations fluid.

It distinguishes speech from background noise, so café chatter doesn’t have to stop the conversation ☕

You can even add a detail you just thought of or change direction mid-conversation without waiting for the model to finish its… pic.twitter.com/xjkqQh04Zn
— OpenAI Developers (@OpenAIDevs) 2026年9月10日

また、新しい音声オプションも複数公開されています。製品やユーザー合った自然な音声が必要な場合、開発者はGPT-Live-1では限られたリアルタイム音声セットから、アクセント・方言・言語にわたるより幅広い選択肢へと拡張できます。今後数ヶ月にわたり、音声オプションと対応言語を拡大していく予定とのこと。

GPT-Live-1はすでにChatGPTの新しい音声モードを支えるモデルとして展開されており、GPT-Live-1は従来の音声モデルである「GPT-Realtime-2.1」と比較してFull Duplex Benchのパフォーマンスを30％向上させ、ターンテーキングの遅延と対話的な動作において大きな改善が見られたとOpenAIは主張しています。また、GPT-6 Astraと組み合わせ、中程度の推論負荷で使用した場合、エンドツーエンドのタスクにおける最先端の音声エージェントの知能を測定する「Tau3」でも1位を獲得したそうです。

以下は、ユーザーが会話ターンを終了してから、エージェントが応答を開始するまでの時間を測定したグラフ。

GPT-Live-1には、住宅および医療機関におけるコミュニケーションの効率化と業務効率の向上を支援するAIソリューションを提供する「EliseAI」が開発に協力しています。EliseAIのアクシャイ・ラマスワミ氏は「この数ヶ月間、OpenAIと協力してGPT‑Live-1の初期デザイン・パートナーとして取り組んできました。2024年に最初の S2S モデルが登場したときの興奮を今でも覚えていますが、本番環境に投入するまでには長い時間がかかりました。今ではようやくその段階に到達した気分です」と語っています。

Been hard to keep this one a secret!

For the past couple of months, @elise_ai has been working with @OpenAIDevs as an early design partner for GPT‑Live-1.

I still remember my excitement back in 2024 when the first S2S models came out, but it took a long time to get to… pic.twitter.com/9f3RfW7yp9
— Akshay Ramaswamy (@TheRealAk914) 2026年9月10日

GPT-Live-1は2026年9月10日からAPIで利用可能。フロントエンドの音声レイヤーは1分あたり0.05ドル(約7.7円)で、これを製品に合ったバックエンドモデルとエージェントハーネスと組み合わせることで、必要な作業量に合わせて拡張可能な音声エクスペリエンスを構築できます。

Getting started with GPT-Live | OpenAI API
https://developers.openai.com/api/docs/guides/live