OpenAIは9日、ChatGPT Voiceに新音声モデル「GPT-Live」を導入し、音声対話機能を強化したと発表した。今回の更新により、会話の途切れや応答遅延を抑えたほか、リアルタイム通訳機能も改善したという。
従来の音声AIは、利用者の音声をテキストに変換し、大規模言語モデル（LLM）が回答を生成したうえで、それを音声として再生する仕組みが一般的だった。この過程では、発話の終了を判定する別の処理が必要となるため、会話が不自然に途切れたり、応答が遅れたりすることがあった。
OpenAIによると、GPT-Liveは音声を継続的に処理しながら、会話の文脈をリアルタイムに把握する。利用者が話している途中でも反応できるほか、途中で言い直したり、いったん止めた後に話を再開したりした場合にも対応できる。発話が終わる前から応答の準備を進められるため、応答速度の向上にもつながるとしている。
ChatGPT Voiceの設計では、音声会話機能と推論機能を分離した。追加情報が必要な質問や時間のかかる作業を依頼された場合でも、会話を続けながら処理を進め、結果が得られ次第、応答に反映できるという。
リアルタイム通訳機能も改善した。従来は発話が終わった後に順次翻訳していたが、アップデート後は音声を継続的に処理し、会話の流れに沿ってリアルタイムで通訳する。異なる言語を使う利用者同士の会議や旅行、教育、顧客対応などでの活用を見込む。
今後は、GPT-Liveのアーキテクチャをさまざまなバックエンドモデルや入出力方式、アプリケーション・プログラミング・インターフェース（API）へ広げる計画だ。テキストやAIエージェントで実行できる作業を、音声対話でも実現できるよう開発を進める方針としている。
著者について
Seulgi Son
sageson@d-today.co.kr