音声アシスタントに相槌を打とうとして、AIの応答が終わるまで待たされた経験を持つ読者は少なくないはずだ。人間同士の会話なら「うん」「そうそう」と口を挟みながら話が進むのに、従来の音声アシスタントは相手の発話が終わるまで沈黙し、それから応答を返す設計が主流だった。OpenAIは2026年7月8日、この一方通行を崩す全二重(フルデュプレックス)音声モデル「GPT-Live」を発表し、無料のChatGPTユーザーにもGPT-5.5(OpenAIの大規模言語モデル)搭載の音声対話を無償で開放した。値付けを武器にしてきたスタンドアロンの音声AI企業にとって、この無料化は事業の前提を揺るがす一手になる。
全二重(フルデュプレックス)音声対話、GPT-Liveの仕組み
OpenAIは2026年7月8日にGPT-Liveを発表し、ChatGPTユーザー向けに世界展開を開始した。GPT-Liveは、ユーザーが話している最中でもモデル側が同時に聞き取り、相槌や割り込みを返せる全二重アーキテクチャを採用する。従来の音声アシスタントの多くは「聞く」と「話す」を交互に切り替える半二重方式で、ユーザーの発話が途切れるまでモデルは待機していた。GPT-Liveはこの待機時間をなくし、「mhmm」「yeah」といった相槌(バックチャネル)にも反応しながら会話を継続できるとOpenAIは説明している。
モデルの中身は用途別に分かれる。無料ユーザーにはデフォルトで軽量版のGPT-Live-1 miniが割り当てられ、Go、Plus、Proの有料ユーザーには上位版のGPT-Live-1が提供される。この2つはいずれもGPT-5.5 Instantを基盤に動く。より深い考察が必要な場面では、推論の努力度をmediumまたはhighに指定したGPT-5.5 Thinkingを使うGPT-Live-1 MediumとGPT-Live-1 Highが割り当てられる。対応環境はiOS、Android、ChatGPT.comの3つだ。
無料ユーザーに割り当てられるのは下位モデルのGPT-Live-1 miniであり、有料版のGPT-Live-1とは応答の質に差がある可能性が高い。それでも、話している最中に聞き取り相槌を返すという全二重の体験そのものは、無料層にも同じ設計思想で提供される。スタンドアロンの音声AI企業が有料プランの売り物にしてきた「人間らしく自然に話せる」という体験の希少性は、下位モデルの段階からすでに崩され始めている。
ウェブ検索や複雑な推論を要する質問が来た場合、GPT-Liveは処理を裏側の最新フロンティアモデルに委ね、その結果を会話の流れに戻す設計になっている。OpenAIはGPQA(専門的推論のベンチマーク)、BrowseComp(ウェブ検索のベンチマーク)、τ³-Voice Telecom(カスタマーサポート想定のベンチマーク)で旧世代のAdvanced Voice Modeを大きく上回るとしているが、具体的なスコアや改善幅は公式ページに記載がない。対応言語は複数にまたがるものの、一部言語では非母語話者的な発音が残るとOpenAI自身が認めており、TechCrunchはデモで示されたヒンディー語の訳出について不自然な発音と文語的なトーンだったと指摘した。
音声機能の週間利用者1.5億人が示す規模
OpenAIの発表資料は「毎週1億5000万人以上がVoiceやDictation(音声入力)機能を使ってChatGPTと対話している」と明記する。この1億5000万人は、ChatGPT全体の週間利用者数ではなく、音声関連機能を使った利用者に限定した数字である。ChatGPT全体の週間利用者は、各種報道で8億人超ともされる。仮にその数字を基準にすると、音声機能を使っているのは全体の2割弱にとどまる計算になる。
GPT-Liveの無料開放は、すでに音声を使っている1.5億人の体験を底上げする施策であり、ChatGPT利用者の大半には直接の変化は及ばない。それでも、この規模自体は、有料の音声特化アプリが束になっても届きにくい水準だ。スタンドアロンの音声AI企業が獲得を目指す顧客基盤の桁が、無料化と同時に一段抜き出た格好になる。
動画や画面共有を切り捨てた理由とGemini Liveとの差
OpenAIの公式発表には「発売時点でGPT-Liveは、ChatGPTにおける動画や画面共有との音声併用に対応しない」という一文がある。原文は"At launch, GPT‑Live will not support voice with video or screen sharing in ChatGPT"で、全二重の会話品質や対応言語の説明に比べるとごく短く、他の機能紹介の合間に挟まれる形で言及されるにとどまる。この一文の扱いの軽さから、OpenAIがこの制約を重大な欠点とは考えていないことがうかがえる。
全二重対話を成立させるには、ユーザーの発話、相槌、沈黙をミリ秒単位で処理し続ける必要がある。そこに映像情報の解析まで同時にこなそうとすれば、応答の遅延や自然さの犠牲につながりやすい。GPT-Liveが自然な会話を最大の売りに据えている以上、動画非対応は、音声のレイテンシと自然さを優先した設計判断の結果だ。
Googleは2026年3月26日に投入したGemini 3.1 Flash Liveで、音声と映像を同一モデルが直接処理し、音声で応答するネイティブマルチモーダル方式をすでに採用している。GPT-Liveが会話のなめらかさで先行しても、画面を見せながら話しかける用途ではGemini Liveに軍配が上がる。音声特化に絞ったOpenAIの賭けは、映像込みの会話体験を求めるユーザーには届かない。
RealtimeからGPT-Liveへの変遷が映すもの
OpenAIの音声AIの名称は、この1年半で少なくとも4回変わっている。2024年に登場した「Realtime API」は、2025年8月に「gpt-realtime」へ刷新され、Big Bench Audioの精度が旧モデルの65.6%から82.8%へ向上したと報じられた。その後「gpt-realtime-2」系列に移行し、2026年7月6日にはgpt-realtime-2.1とgpt-realtime-2.1-miniが公開されたばかりだった。わずか2日後の7月8日、消費者向けにはGPT-Liveという新しいブランドが投入された形になる。
頻繁な改名の背景には、性能改善のペースの速さに加えて、現在進行形の製品ライン乱立がある。消費者向けにはGPT-Live-1系列(mini、無印、Medium、High)の4段階、開発者向けにはgpt-realtime-2.1系列(通常版とmini版)の2種類が並走し、合わせて6つの音声モデルが同時にサポートされている計算になる。実際、開発者や企業向けのGPT-Live API(アプリケーションプログラミングインターフェース)提供はまだ始まっておらず、現時点では通知登録を受け付けている段階にとどまる。消費者向けの無料展開を即日で世界中に広げる一方、開発者向けAPIは後回しにする構図は、OpenAIが優先順位を消費者向け普及に置いていることを示している。すでにRealtime API系列で音声アプリを組んでいる開発者は、GPT-Live APIの提供開始まで、当面はgpt-realtime-2.1系列を使い続けることになる。
既存のRealtime API系列の価格情報は公式の価格ページでは確認できないが、第三者の集計サイトによれば、GPT-Realtime-2の音声入力は100万トークンあたり32ドル(キャッシュ入力は0.40ドル)、音声出力は100万トークンあたり64ドルと報じられている。2026年7月8日時点の為替レート(1ドル=162.43円)で換算すると、入力は約5,200円、出力は約1万400円に相当する。この価格帯が正しければ、GPT-Liveの無料開放は、有償の開発者向けAPIとは別軸で無料の消費者体験を先に囲い込む狙いだと解釈できる。
音声AI市場、勝者と敗者を分ける境界線
GPT-Liveの無料開放で最も得をするのは、追加費用なしでGPT-5.5搭載の全二重音声を使えるようになった無料ユーザーと、その利用者基盤を囲い込むOpenAI自身だ。同じ体験を開発者向けAPI経由で求めれば、GPT-Realtime-2の音声入力は100万トークンあたり約5,200円、音声出力は約1万400円かかる計算だった。無料ユーザーが手にしたのは、本来ならこの単価を払わなければ得られなかった機能そのものだ。TechCrunchは、Apple、Amazon、Sesameなど複数の企業が同じ方向性(自然な会話型の音声UI)を目指していると指摘している。
その中でもスタンドアロン音声AIスタートアップのSesameは、2025年10月にシリーズBで2億5000万ドル(約406億円)を調達し、累計調達額は3億760万ドル(約500億円)、評価額は10億ドルを超えるとされる。デモには100万人超が集まり、会話時間は合計500万分を超えたが、この規模はいずれもベータ版・デモの利用実績であり、有償契約への転換はこれからだった。GPT-Liveによって同水準の全二重対話が無料で手に入る以上、Sesameは巨額の調達資金を投じた製品の対価を、ChatGPTの無料ユーザーには無償で提供されている体験と同じ土俵で説明しなければならなくなる。
損をする側は他にもいる。GoogleのGemini Liveも、ChatGPTの無料版が音声品質で追いついてきたことで、差別化要素を一つ失う。Gemini 3.1 Flash Liveの投入(2026年3月26日)からGPT-Liveの無料開放(2026年7月8日)までは104日しかなく、Googleが音声と映像の同時処理という強みを消費者に浸透させる猶予は限られていた。もっとも、Gemini Liveは音声と映像を同時に処理できる点でGPT-Liveに対する優位を保っており、動画や画面共有を伴う会話体験ではOpenAIの無料化戦略の外側に留まる。
音声対話を差別化機能から無料の標準機能に格下げする判断は、スタンドアロン音声AI企業の存在意義を切り崩す効果を持つ。同時に、動画や画面共有を意図的に外した選択は、音声特化という賭けの範囲を自ら区切ったことも意味する。開発者向けAPIの提供時期と、動画対応がいつ実装されるかが、この賭けの妥当性を測る次の判断材料になる。
