30秒サマリー
- OpenAIは音声AI「GPT-Live」のリアルタイムシステム構築の技術詳細を公式ブログで公開した
- 従来の「ターン検出器」を廃止し、完全双方向（フルデュプレックス）音声処理を実現
- Go言語への移行やWebRTC活用など、低遅延を実現する多層的なアーキテクチャが明らかになった
何が起きたか
OpenAIは2026年8月3日、音声AIシステム「GPT-Live」の技術的な構築過程を詳述したエンジニアリングブログを公開した。執筆者はテクニカルスタッフのJustin UbertiとZahan Malkaniの両氏で、6ヶ月間にわたる開発の経緯が記されている。
GPT-Liveは第3世代の音声システムと位置づけられており、従来アーキテクチャの核心的な問題点であった「ターン検出器（turn detector）」を音声処理経路から排除した。従来システムはユーザーの発話終了を判定する小型モデルに依存しており、判定が早すぎるとユーザーの発言が途中で遮られ、遅すぎると応答が遅く感じられるという課題があった。GPT-Liveではモデル自体がフルデュプレックス（同時送受信）で動作するため、別途の検出器が不要になった。
深い推論やツール呼び出しが必要な場合は、GPT-5.5などのフロンティアモデルに非同期で委譲（delegation）する設計を採用しており、会話の流れを止めることなく高度な処理が可能となっている。インフラ面では、メディア転送とアプリケーションロジックを明確に分離し、メディア処理フロントエンドをPythonのasyncioからGo言語で書き直した結果、フレーム配信の安定性が大幅に向上した。具体的には、新システムのp95レイテンシが旧システムのp50レイテンシと同等水準に改善されたとしている。また、トランスポート層にはWebRTCを採用している。
さらに、長時間の会話セッションでコンテキストがモデルの上限に達する問題には「コンテキスト圧縮（compaction）」を非同期で実施し、別のモデルインスタンスに無停止で切り替えるシームレスなハンドオフ機構を実装したことも明かされている。このアーキテクチャはChatGPT Voiceのコンピュータ操作機能やデスクトップアプリのエージェント連携機能の基盤にもなっているとされる。
原典ハイライト
原文では「GPT-Liveはターン検出器を音声経路から排除し、音声モデル自身がフルデュプレックスで動作する」「メディア処理フロントエンドをGoで書き直したことで、新システムのp95が旧システムのp50と同等になった」という2点が技術的な核心として示されている。また、スロー処理を行うツール呼び出しがメディアフローを阻害しないよう、非同期RPCによる明確な境界を設けた設計思想が強調されている。
出典: OpenAI News/Research（公式ブログ）
So What?（なぜ重要か）
音声AIの「応答遅延」問題は技術的に解決可能なフェーズに入ったことを示している。フルデュプレックス処理と非同期委譲の組み合わせにより、音声AIは人間同士の会話に近いリズムで動作できるようになりつつある。コールセンター・カスタマーサポート・音声インターフェースなど、これまで「不自然さ」がボトルネックだった用途への実用化が加速するとみられる。
日本企業への示唆
日本企業が音声AIを業務導入する際には、以下の技術的示唆を踏まえておくべきだろう。第一に、APIやSDKを通じてGPT-Liveベースのシステムを採用する場合、アプリケーション側のロジック（ツール呼び出し・バックエンド処理）が重くても音声応答性能に直接影響しない設計になっており、自社システムとの統合設計の自由度が高い点は評価できる。第二に、メディア処理とビジネスロジックを疎結合にするアーキテクチャは、既存業務システムとの段階的統合に適しており、コールセンターや社内ヘルプデスクへの導入ハードルを下げる可能性がある。第三に、長時間セッションの安定稼働が設計上考慮されており、長時間対応が求められる窓口業務などでの活用可能性が高まったといえる。一方でGPT-Liveの外部提供範囲や料金体系については原文では言及がなく、実際の導入検討には別途OpenAIの公式情報確認が必要だ。
背景・経緯
OpenAIは音声AI機能をChatGPTに段階的に実装してきており、今回のGPT-Liveは「第3世代」と位置づけられている。原文によれば、それ以前にもChatGPT VoiceおよびRealtime APIの開発を通じて音声インフラの低遅延化に取り組んできた経緯があり、今回のシステムはその延長線上に位置している。GPT-5.5との連携も言及されており、推論能力の高いフロンティアモデルを音声会話のバックエンドとして活用する構成が整備されつつある。
