ChatGPTはもう待たせない：GPT-Liveが1億5000万ユーザーに展開

これまでのChatGPTとの会話には、待ち時間がつきものだった。音声を処理し、応答を生成して返し、そして次の発話を待つ——この一連の流れが、ユーザーの発言が終わるたびに繰り返されていた。ターンベースと呼ばれるこのアーキテクチャは、商用音声AIが登場して以来、ほとんどの製品が採用してきた方式だ。OpenAIは、その仕組みを廃棄した。

GPT-Liveが採用したのは全二重（フルデュプレックス）アーキテクチャである。これは、入力される音声の処理と応答の生成を同時に行うことを意味する。ユーザーにとっての実質的な違いは、モデルが話している途中で割り込めることだ——そして、割り込まれたモデルは即座に発話を止める。また、短い相槌や質問、話題の転換を、相手が発話を終えるのを待たずに受け付けることができる。OpenAIは本日より全世界での展開を開始し、有料サブスクライバー（Go、Plus、Pro）にはGPT-Live-1を、無料ユーザーにはGPT-Live-1 miniを提供。Advanced Voice Modeは同意なしに置き換えられる。

ChatGPTの音声機能を週単位で利用する1億5000万人のユーザーが、特にその変化を実感するのは、会話の方向性が素早く変わる場面と、モデルが話し終えたタイミングを示す間＝ポーズが消えた瞬間だろう。GPT-Liveは「うんうん」「そうだね」といった短い相槌で注意を促すこともできるし、話し手が考え込んでいる間は沈黙を保つこともできる。会話の中でウェブ検索や深い推論、複雑な処理が必要になった場合、GPT-Liveは背後でフロンティアモデルに自動的に処理を委ね、その結果をライブの対話にシームレスに反映させる。

ここで、懐疑的な視点にも触れておくべきだろう。全二重化は、GPT-Liveがユーザーの発言内容をより深く理解できるようになったことを意味するわけではない。そうではなく、会話のリズムに対してより自然に反応できるようになった、ということだ。初期のテストでは、話し手が長くて密度の高い説明をした場合、モデルがその内容を完全に処理し終える前に、発言に対して相槌を打ってしまうケースが確認されている。また、システム全体がOpenAIのサーバー上で動作するため、すべての音声会話は低遅延の接続に依存することになる。1億5000万人の週間ユーザーの誰もが、この接続環境を同等に享受できるわけではない。インフラが脆弱な地域では、GPT-Liveが目指すリアルタイム性が、その下にあるネットワークの現実を上回ってしまう可能性がある。

さらに、今回の移行そのものに構造上の問題も潜んでいる。OpenAIは、音声機能を有効にしているすべてのユーザーを、同意を得ることなく自動的に新しいシステムへと移行させた。同社はこれをアップグレードと位置づけており、多くの点で、それは事実だ。しかし同時に、これは数百万人ものユーザーがこれまでの期待値を調整してきた対話モデルそのものを、事前に廃止日を明示することなく変更する行為でもある。

OpenAIは、GPT-Liveの導入に伴う現行のChatGPTサブスクリプション料金の変更は発表していない。この展開は、数日以内に全世界のユーザーに届く見込みだ。Advanced Voice Modeの正式な提供終了日は、まだ確認されていない。

タグ: OpenAI, chatgpt, AIモデル, full-duplex, GPT-Live, 音声AI