OpenAI、開発者向け新音声モデル「GPT-Live-1」をAPIで提供開始

OpenAIは10日、開発者が音声対応アプリケーションやビジネスワークフローを構築するための新しい音声モデル「GPT-Live-1」をAPIでリリースした。このモデルは、聞くことと話すことを同時に行う能力を持ち、より自然で遅延の少ない音声対話を実現することを目指している。

GPT-Live-1の主な特徴と性能

「GPT-Live-1」は、従来の音声認識、大規模言語モデル、音声合成という複数ステップのアーキテクチャに伴う遅延を回避するため、入出力の音声を単一のモデルで処理する。これにより、会話の中断が大幅に減少し、よりスムーズな対話が可能になる。

主な特徴は以下の通り。

• リアルタイム双方向対話: 聞きながら話すことが可能で、自然な会話を実現。
• 推論の委任: 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に委任できる。
• カスタマイズ性: システムプロンプトを通じて、エージェントのトーン、ペース、会話スタイルを調整可能。
• 環境適応性: 周囲の雑音や沈黙を適切に処理し、会話を中断させない。

性能評価において、「GPT-Live-1」はFull Duplex Benchのパフォーマンスを旧モデル比で30パーセントポイント向上させたと報告されている。また、「GPT-6 Astra」と組み合わせた場合、音声エージェントの知能を測定するベンチマーク「Tau3」でトップの成績を記録した。

導入事例と市場への影響

Ad

先行導入した企業からは、具体的な効果が報告されている。語学学習プラットフォームのSpeak社は、初期評価において「GPT-Live-1」が従来のターン制システムと比較して会話の中断を約80%削減したと発表した。また、あるヘルスケア企業の共同創業者兼CTOは、同モデルの導入によりコードベースが80%簡素化され、23,000行のコードを削減できたと述べている。

この新モデルの登場は、コールセンターの自動化、インタラクティブな教育ツール、高度な音声アシスタントなど、多岐にわたる分野での応用を加速させる可能性がある。開発者は、より人間らしい対話が可能なエージェントを効率的に構築できるようになり、顧客体験の向上や業務効率化に繋がると期待される。

価格設定と今後の展開

「GPT-Live-1」はAPIを通じて、フロントエンドの音声レイヤーとして1分あたり0.05ドルで利用可能。開発者は、選択したバックエンドモデルやエージェントフレームワークと組み合わせて使用することができる。

OpenAIは、今後もアクセント、方言、言語の異なる新しい音声オプションを追加し、提供言語を拡大していく方針を示している。これにより、グローバル市場での音声AIアプリケーション開発がさらに活発化することが見込まれる。