重要ポイント
OpenAIがChatGPTの音声アーキテクチャを全面的に見直し、音声が途切れない連続ストリーミングを可能にした。
新システム「GPT-Live」により、ChatGPTは“話しながら聞く”同時処理ができるようになった。
音声セッション開始時のネットワーク往復は、従来の6回から1回へ大幅削減。
音声は専用の高速パスで処理し、推論やツール利用は非同期でバックグラウンド実行される。
OpenAIは、この再構築の技術的詳細をまとめた解説を公開した。
OpenAIは、ChatGPTの音声機能を支えるインフラを根本から作り替え、「GPT-Live」と呼ぶ新アーキテクチャを発表した。
音声ストリームを途切れさせずに流し続けながら、その裏側で高度な推論やツール呼び出しを走らせても、会話を中断しない設計が特徴だ。
OpenAIは8月3日、これらの変更点を一連のXポストで説明し、クライアントからモデルまでの再構築プロセスを詳細に記したブログも公開した。
それによると、音声セッション立ち上げ時のネットワーク往復回数は、従来の6回から1回へ削減されている。
GPT-Liveの仕組み
GPT-Liveでは、音声データを推論やツール呼び出しとは別の「専用高速パス」に通す。
一方で、より重い推論処理や外部ツールのコールは非同期で走らせ、オーディオストリームを止めないままバックグラウンドで完了させる。
その結果、音声セッションは従来よりも素早く開始できるうえ、ChatGPTが複雑なリクエストを処理している最中でも、ユーザーが感じていた「沈黙の空白」が大幅に減少する。
OpenAIは別のXポストで、このアーキテクチャが「会話を始める瞬間」の体験を重視して設計されていると説明。
導入当初から、初回のやり取りからより自然な対話を実現することを狙ったという。
旧来のスタックでは、どんな推論ステップであっても、音声レイヤー側が処理完了を待たされる構造的制約があり、今回の再構築でそのボトルネックにメスを入れた格好だ。
GPT-Live再構築の狙い：ChatGPT音声の「間」と遅延解消
OpenAIは2026年にかけて音声機能の高度化を加速させている。
今年に入り、ChatGPTの音声応答がマルチステップの問いに対して「ぎこちなく遅い」といった批判も出ており、GPT-Liveはそうした課題に対するエンジニアリング面での直接的な回答と位置づけられる。
今回の発表は、OpenAIが先月明らかにしたインフラ投資拡大の流れの延長線上にある。
同社は次期大型モデルの社内版が、トークンコスト約2,000ドルで新たな数学的成果を10件導出したと公表しており、プロダクト全体で基盤技術への投資を強めていることを示している。
