キクレン、音声AIをGPT-Liveに移行　相づちで止まらず

キクレンは、マネージャーが1on1の聞き方を音声で練習するサービスだ。AIは悩みを抱えた部下を演じ、ユーザーの聞き方によって話す量が変わるように設計されている。Realtime APIを使っていた頃は、ユーザーが相づちを打つたびにAIの発話が止まり、完全なターン制のやり取りになっていた。これは最後まで直せず、GPT-LiveのGAを待つ仕様として残されていた。

GPT-LiveのGA後、開発者は翌日から移行を検討した。OpenAIの発表では、相づちや割り込みへの反応を測るベンチマーク（Full Duplex Bench v1.5 Interactivity）がgpt-realtime-2.1の45.4%に対し80.10%、応答開始までの時間も1.41秒に対し0.798秒だった。移行後、相づちで話が止まらないだけでなく、割り込み時の履歴切り詰めや文字起こし待ちのresponse.create送信といった回避処理も不要になった。日本語音声は公式対応が明言されていなかったが、Realtime APIで使っていた音声cedarを指定すると自然な日本語で話した。

ただし移行は作り直しに近く、発話中の表示はWeb AudioのAnalyserNodeで自作し、ターンの区切りは断片の間隔と割り込みから自前で判定する必要がある。プロンプトの追加ルールは1,038文字を全部外して比較しても、外してよいと言えるルールは1つもなかった。コストは秒課金の0.05ドル/分で読みやすくなったが、劇的に安くなったわけではない。今後の焦点は、モデルを差し替えても残った「下手な聞き方で深く打ち明けてしまう」問題に、プロンプト以外の対処ができるかどうかだ。