米OpenAIが7月8日（現地時間）に提供を始めた音声会話向けモデル「GPT-Live」がXで話題だ。同社はこれまでも音声会話モデルを提供していたが、聞き取りと発話を同時に行う新アーキテクチャにより「会話が自然すぎる」などの声が上がっている。

GPT-Liveは、出力を生成しながら入力を処理し続ける「全二重アーキテクチャ」により、会話の途中に自然な相づちを挟んだり、話すテンポを調整したりできる。Web検索や深い推論が必要な質問は、バックグラウンドでGPT-5.5などの別モデルに委任し、その間も会話を続けられる。

　X上では提供開始以降、GPT-Liveとの会話の自然さに驚く投稿が相次いだ。「フィラー（つなぎ言葉）まで使いこなす」「こっちが話してる途中で口を挟んでくるし、含み笑いやアクセントが人間みたい」「会話がオーバーラップしたときのやりとりが自然すぎ」といった声が目立つ。中には「英会話に関してはむしろAIの方が良い」として、その自然さから英会話事業への影響を懸念する声もみられた。

　一方で、応答の内容については「人格はユーモアセンスに乏しい」「人間的なユーモアを求めるととんちんかんになる」といった物足りなさを指摘する声も複数上がった。

GPT-Liveは何が進化したのか
　従来のChatGPT音声モードはターン制が基本だった。ユーザーの声を文字起こしし、大規模言語モデルで応答を生成し、再び音声に戻す「カスケード型システム」は、3つのモデルをまたぐため応答が遅かった。単一モデルで処理する「ターン制音声モデル」では、会話は滑らかになったものの、ユーザーが話し終えるのを待つ必要があり、短い沈黙や背景の雑音を発言の終わりと誤認して不自然に割り込むことがあった。

　GPT-Liveは出力を生成しながら入力処理を続ける。「話すか、聞き続けるか、待つか、割り込むか、ツールを呼び出すか」という会話上の判断を1秒間に何度も繰り返す。これにより、やりとりがより自然になり、会話のテンポも保ちやすく、ライブ翻訳もできるという。

　また、ゆっくり考えて話したいときには会話のペースを調整するよう指示したり、ニーズに合わせて会話の推論レベルを選択したりできる。聞くよりも目で見た方が早い「天気、株価、スポーツ」の話題については、会話中にビジュアルで情報を表示することが可能だ。
https://www.itmedia.co.jp/news/articles/2607/10/news114.html

息継ぎするよね 本当に気持ち悪い

LLMのリアルタイム版か

あとは映像が付くだけ

これ使ったけどほぼ違和感なく話せるように良くなった。
あと1〜2年で期待を上回るトークをしてくれそう

車に仕込んでくれたら使える、助手席で寝てる人の代わりに喋ってくれればいい

英会話教室なくなる

AI「歌とかまだだけど、
　もうしばらくしたらさ、
　映画とかもね。
　できちゃうかもね。
　そしたらさ、人間のやることって、なんなんだろうね」

>>17
人間は自由に歩き回って食べたり遊んだりできるけど、それすらできないAIが思い上がるのは100年早いわ。人間がAIを怖がってるだけで人間主体なのはなんら変わらん

会議のファシリテーターとかできるのかな？

ボクっ子でツンデレで返答よろしくってやったらそういうテイで話してくれるのか？！！！

アレクサがバカすぎて
賢い中身と変えてほしい

帰国子女っぽいイントネーション、なんとかならんの？

これもう日本では対応してる？
無料？

もっとかわいい声にしてくれ

音声利用を主軸に置いてるのかな。相づちとか、あんまり好きじゃないんだよね。
商談で「なるほどですね」と変な日本語が流行ってしまって
、それを言われるとなんかシラケる。

どう会話してみてもAIとしか言いようがない　ドラえもんやコロ助くらいに会話ができるまで相当かかるだろね