皆さんは、ChatGPTの音声対話機能であるChatGPT Voiceを使ったことがあるでしょうか。OpenAIによると、音声やディクテーション機能を使ってChatGPTに話しかける利用者は、週に1億5,000万人を超えています。

2026年7月8日、OpenAIは新世代の音声モデルGPT-Liveを発表し、既存のChatGPT Voiceに組み込みました。ユーザーがモデルを選択する必要はなく、GPT-Liveが自動的に使用されます。GPT-Liveは、ユーザーが話している途中に短く相づちを打つ、考え中の沈黙では待つ、AIの応答中にユーザーが話し始めたら発言を譲る、といった判断ができます。背景雑音がある場面でも、ユーザーの声に集中しやすくなっています。また、回答は音声だけでなく、ストリーミング表示されるテキストや、天気・株価などのビジュアルカードでも確認できます。

  • 図：ビジュアルカードの例

    図：ビジュアルカードの例

従来のChatGPT Voiceと何が違うのか　〜ターン制からライブ型へ〜

以前の連載で紹介したAdvanced Voice Modeでも、ユーザーがAIの応答途中に割り込むことも可能で、ある程度自然な会話が可能でした。ただし、会話は「ユーザーが話し終える→AIが答える」というターンを基本としていたため、考えるための短い沈黙や周囲の雑音を発話の終了と判断し、不自然なタイミングで応答を始めることがありました。

一方、GPT-Liveは、全二重（full-duplex）アーキテクチャによって、より自然で途切れにくいライブ型の音声対話を実現しています。たとえば、考えをまとめるために少し黙っても、すぐに回答を始めずに待ってくれます。ユーザーが話している途中には短い相づちを返し、ChatGPTの応答中にユーザーが話し始めると応答を止めて発言を譲るため、人と話すようなテンポで会話できます。

仕組みとしては、会話中に「話す」「聞き続ける」「待つ」「発言を譲る」「ツールを呼ぶ」といった行動を毎秒何度も判断しています。これにより、人と話すようなテンポに近づけています。詳細はOpenAIの公式発表で説明されています。

  • 図：1本の経路を交互に使うターン制と、2本の経路が同時に動くライブ型

    図：1本の経路を交互に使うターン制と、2本の経路が同時に動くライブ型

GPT-Liveの利用シーン

英語学習やロールプレイは、従来のAdvanced Voice Modeでも代表的な利用方法でした。GPT-Liveでは、考えている間は待つ、短い相づちを返す、ユーザーの発話に応じて発言を譲るといった会話制御により、さらに取り組みやすくなっています。

  • 全二重の特性を活かした対話型シャドーイング(後述)：学習目的や英語力に合わせて例文を作ってもらい、読み上げ速度や区切り方を調整しながら発音を練習できます。練習後は、発音やリズムについて助言を受け、その表現を使った英会話へ発展させることもできます。
  • ブレインストーミングや顧客対応のロールプレイ：話の途中で短い相づちを受けながら考えを整理したり、やり取りの途中で条件を変更したりしやすくなりました。

GPT-Liveならではの利用方法として、時間のかかる処理を任せながら会話を続けることや、画面に表示している内容について音声で相談することも挙げられます。Web検索や深い推論は別のフロンティアモデルへ委任されるため、処理中もGPT-Liveとの会話を続け、条件を追加したり別の質問をしたりできます。デスクトップアプリでは、Work / Codexのタスクも同じように音声で操作できます。

  • 会話を続けながら、検索・推論やWork / Codexの作業を任せる(後述)
  • Screen contextでWebページを見ながら音声対話(後述)
  • 図：画面の内容を共有し、検索・推論やWork / Codexの作業を任せながら音声会話を継続

    図：画面の内容を共有し、検索・推論やWork / Codexの作業を任せながら音声会話を継続

全二重の特性を活かした対話型シャドーイング

GPT-Liveの特長は、ユーザーの発話を聞きながら、会話の状況を継続的に判断できる双方向性です。この特性を活かせば、教材を一方的に聞くだけでなく、ChatGPT Voiceの読み上げを少し遅れて追いかけるシャドーイングにも活用できます。学習目的や英語力に合わせて教材を作り、読み上げ速度や難易度も音声でその場で調整できます。

たとえば、次のように依頼します。

海外出張で使う英語をシャドーイングしたいです。私が少し遅れて発音するので、重なって話しても読み上げを続けてください。最初はゆっくり読み、慣れてきたら自然な速さに上げてください。練習後に、発音、リズム、イントネーションの改善点を一つずつ教えてください。

練習後は、聞き取りにくかった表現や発音の改善点をそのまま質問できます。さらに、練習した表現を使ったロールプレイへ移れば、「聞いてまねる」練習から、実際の会話で使う練習までを一つの音声対話の中で続けられます。教材の作成、難易度の調整、シャドーイング、フィードバック、実践会話を行き来できることが、GPT-Liveを英語学習に使う大きなメリットです。

会話を続けながら、検索・推論やWork / Codexの作業を任せる

デスクトップアプリのWork / Codexでは、この仕組みをさらにタスクの実行へ広げられます。ChatGPT Voiceからタスクを開始し、進捗確認、追加指示、優先順位の変更、中断や方向転換を音声で行えます。たとえば、「このコードをテストして」と依頼した後、作業中に別の観点も調べるよう追加で指示できます。このとき、GPT-Liveがユーザーとの音声対話を担当し、GPT-5.6 TerraがWork / Codexでタスクを立ち上げ、その進行を管理します。つまり、キーボードで操作し直さなくても、会話を続けながら作業を進められます。

利用するには、macOSまたはWindowsのChatGPTデスクトップアプリで新しいチャットを開き、Voiceを開始します。Voiceから指示したタスクにも、Work / Codexで設定されているツール、権限、利用枠が適用されます。

Screen contextでWebページを見ながら音声対話

macOSではScreen contextを有効にすると、最前面のウィンドウの画像やテキストを会話の文脈として共有できます。画面に表示されていない範囲のテキストも含まれる場合があるため、機密情報を含むウィンドウの共有は避けてください。対応プランや利用条件はChatGPT Voiceの説明を確認してください。

  • 図：Screen contextの設定画面

    図：Screen contextの設定画面

ブラウザでWebサイトを閲覧しながら、「このページを日本語に訳して」などと音声で依頼できます。初回は下図のように権限を求められるため、内容を確認して許可してください。

  • 図：OpenAIの英語のヘルプページを見ながら日本語訳を依頼

    図：OpenAIの英語のヘルプページを見ながら日本語訳を依頼

回答は音声だけでなく、以下のようにテキストでも確認できます。

  • 図：音声で返答された内容をテキストでも確認

    図：音声で返答された内容をテキストでも確認

ChatGPT Voiceの3つの方式

ChatGPT Voiceには、下表のとおり3つの方式があります。デフォルトはGPT-Liveに相当する「Live」であり、基本的にはこちらを利用するとよいでしょう。ただし、動画や連続的な画面共有、カスタムGPTsを利用したい場合、GPT-Liveは対応していません。その場合は、従来のAdvanced Voice Modeに相当する「Advanced」を利用できます。なお、macOSのScreen contextでは、最前面のウィンドウを静止画とテキストで共有できます。Standardでは、文字起こしの完了後に元の音声が削除されるため、データ保持要件に応じて使い分けるとよいでしょう。詳細は公式サイトを参照してください。

ここでいうカスケード型とは、文字起こし、回答生成、音声合成を別々のモデルが担当し、前の工程の出力を次の工程へ順番に渡していく方式です。

ChatGPTのモード OpenAI記事でのアーキテクチャ 処理イメージ
Standard カスケード型音声システム 入力音声 → 文字起こし → 回答生成 → 音声合成 → 応答音声
Advanced ターン制音声モデル 音声 → 音声を単一モデルで処理
Live 全二重（full-duplex）音声モデル 聞く・考える・話すを継続的・並行的に実行

GPT-LiveはAPIから直接指定できない

2026年8月16日時点では、ChatGPT Voiceで使われるGPT-Live-1とGPT-Live-1 miniを、公開APIのモデルIDとして直接指定することはできません。OpenAIはAPI提供を予告しており、通知フォームで提供開始の案内を受け取れます。

独自の音声エージェントを開発する場合は、公開されているRealtime APIを利用します。現在の音声エージェント向けモデルであるgpt-realtime-2.1は、音声を入出力しながら、推論やツール呼び出しを行えます。ブラウザやモバイルアプリから接続する場合はWebRTC、サーバーから接続する場合はWebSocket、電話システムと接続する場合はSIPを利用します。これはGPT-Live-1系とは別の公開APIモデルであり、ChatGPTのLiveと同一の機能や動作を保証するものではありません。

料金プランごとの利用上限

通常のChatでは、GPT-Live-1とGPT-Live-1 miniが使用されます。ユーザーが手動で切り替えるのではなく、契約プランや利用状況に応じて、ChatGPTが使用するモデルを決定します。

ChatGPT Voiceは、通常のChatに加えて、デスクトップアプリのWork / Codexでも利用できます。利用枠は、現在時刻からさかのぼった一定期間内の合計利用時間で計算されます。通常のChatでは、どのプランでも1回のLive会話は最大2時間です。

  • 通常のChat：現在時刻からさかのぼった24時間
  • Work / Codex：現在時刻からさかのぼった5時間
プラン Chat：GPT-Live-1 Chat：GPT-Live-1 mini Work / Codex：ChatGPT Voice
Free — 制限あり（変動） 対象外
Go 最大1時間/24時間 最大2時間/24時間 対象外
Plus 最大1時間/24時間 最大2時間/24時間 約0.25〜0.5時間/5時間
Pro 5x（$100/月） 最大12時間/24時間 最大24時間/24時間 約1〜2.5時間/5時間
Pro 20x（$200/月） 無制限 別枠の記載なし 無制限

※ ChatGPT VoiceからCodexに作業を依頼すると、音声会話の利用時間に加えて、Codexで作業を実行するための利用枠も消費されます。そのため、ChatGPT Voiceが無制限のプランでも、Codexのタスクまで無制限に実行できるわけではありません。

詳細は、OpenAIの「ChatGPT Voice」ヘルプとWork / Codexで利用するChatGPT Voiceの料金説明を参照してください。

上限や料金は変更される場合があるため、公式の料金説明とアプリ内表示を優先してください。

*　*　*

ChatGPT Voice／GPT-Liveの最大のメリットは、人に相談するようなテンポで会話できることです。考えをまとめている間は待ってもらい、ChatGPTの応答中に質問が浮かべばその場で割り込めます。検索や深い推論を任せている間も会話を続けられるため、アイデアの整理、語学練習、移動中の情報収集、Work / Codexで進めている作業の確認や方向転換などを、キーボードへ戻らず進めやすくなります。

まずは、最近考えていることを1つ、まとまっていなくてもそのままChatGPT Voiceへ話してみましょう。話の途中で少し黙る、ChatGPTの応答へ割り込む、追加の情報を検索してもらう、という3つを試すと、従来の音声対話とのテンポの違いを体感できます。

ぜひ、ChatGPT Voice／GPT-Liveを試してみてください。

参考資料