GPT‑Live‑1がAPIで提供開始、毎分0.05ドル

GPT‑Live‑1はまずChatGPTで導入され、今回APIでも利用可能になった。開発者は、聞くことと話すことを同時に行う音声モデルを利用できるようになる。今回の公開では、割り込み処理や推論・ツール呼び出しの委譲、システムプロンプトによる口調・ペース・スタイルの制御など、ユーザーやワークフローに合わせて音声体験を設計するための機能に重点が置かれている。長時間セッションの信頼性も高まり、背景ノイズや無音があっても会話を途切れさせない。

このモデルは、音声認識と推論モデル、音声合成をつなぎ合わせる従来構成を置き換え、音声エージェントのアーキテクチャを簡素化する。従来構成では受け渡しのたびに遅延が生じ、タイミングや文脈、会話のリズムを失う余地があった。GPT‑Live‑1は聞くことと話すことを単一モデルで処理し、割り込みや相づちにも即座に対応しながら、より深い推論はバックエンドに委譲する。開発者は会話の背後にあるモデル、ツール、エージェントハーネスを選び、タスクごとに推論の深さ、速度、コストを合わせられる。

成果を左右するのは、開発者が電話対応やカスタマーサポートで単一モデル方式を採用するか、カスタム音声へのアクセスが広く利用可能になるかだ。OpenAIは今後数カ月で音声の選択肢と言語対応を広げるとしている。これが、企業が自社製品に合い、ユーザーにとって自然に聞こえる音声エージェントをどれだけ早く導入できるかを決める可能性がある。