GPT-Live登場。ChatGPTの音声が“聞きながら同時に話す”ように進化。映画『her』やJARVISが現実になる

OpenAIは何を出したのか

2026年7月8日、OpenAIが「GPT-Live」を公開しました。ChatGPTの音声をまるごと新しくする、次世代の音声モデルです。ラインナップは「GPT-Live-1」と軽量版の「GPT-Live-1 mini」の2つ。iOS・Android、そしてWeb版のChatGPT.comを通じて、世界中のユーザーに順次届き始めています。

住み分けはシンプルです。有料のGo／Plus／Proでは「GPT-Live-1」が、無料ユーザーでは「GPT-Live-1 mini」が標準の音声になります。どちらも従来のAdvanced Voice Modeを置き換える形なので、設定の奥に眠っている“おまけのベータ”ではありません。今日からのChatGPTの、当たり前の話し方になります。

ポイントは、「声が少し良くなった」という話ではないこと。仕組みそのものが変わりました。GPT-Liveは聞きながら同時に話せるように作られていて、検索や込み入った調べもの、複数ステップの作業が必要になると、裏でより賢いモデル（公開時点ではGPT-5.5）にそっと引き継ぎます。しかも、その答えを待つあいだも会話は止まりません。

まずは、OpenAI自身の発表がこちらです。

「全二重」と「半二重」、いったい何が変わったのか

GPT-Live以前のChatGPTの音声は、そう呼ばれてはいませんが“半二重（ハーフデュプレックス）”でした。半二重とは、トランシーバーのように一度に片方向しか通じない状態のこと。片方が話し終えてから、もう片方が話します。中身を見ると、従来のAdvanced Voice Modeは3つのモデルを数珠つなぎにしていました。声を文字にするモデル、返事を作るモデル、その返事をまた声に戻すモデル、という三段構えです。

この“バケツリレー”こそ、従来の音声が「機械と順番に話している」ように感じた正体です。話して、待って、返ってくる。うっかり口を挟むと、そのターンごとやり直し……。よくできてはいましたが、「こちらの番を辛抱強く待っているソフト」と話している感覚は、どこか抜けきりませんでした。

いっぽう“全二重（フルデュプレックス）”は、両方向が同時に開いている状態です。笑ったり、割り込んだり、相手の言葉を先取りしたりできる、ふつうの電話のような会話ですね。GPT-Liveは1つのモデルで、こちらが話している最中もその声を処理し、「話し続けるか、黙って聞くか、いったん止まるか、口を挟むか、ツールを呼ぶか」を毎秒何度も判断しています。“順番待ちのモデルの連なり”から“ずっと耳を澄ませている1つのモデル”へ。この一点が、「口で打つコマンド」ではなく「会話」だと感じさせるのです。

なぜ急に“人間っぽく”感じるのか

カギは、ちょっとした仕草にあります。GPT-Liveは、人が無意識にやっていることをさらりとやってのけます。こちらが話している途中で「うん」「なるほど」と軽く挟み、ちゃんと聞いているよと伝える。ひと息ついた瞬間に畳みかけるのではなく、自然な“間”を待つ。そして、言い直そうと割り込んでも、最初からやり直さずにスッと合わせてくれる。

こうした細かなふるまい（いわゆるバックチャネル＝相づち）こそ、生きた会話と“フォームへの音声入力”を分ける正体です。そして従来の交互方式には、これがどうしてもできませんでした。聞くことと話すことを同時にこなせない設計だったからです。OpenAI自身の比較テストでも、Advanced Voice ModeよりGPT-Liveを選んだ人が75.7%にのぼりました。

「AIには話しかけるより打つほうが好き」と公言してきたSam Altmanでさえ、今回の公開を“潮目が変わる瞬間”として受け止めています。

しかも、自然なのは英語だけではありません。日本語ネイティブが「もう人と区別がつかない」と驚いた、GPT-Liveの日本語デモがこちら。ぜひ音声をオンにして観てみてください（動画）。

映画『her』やJARVISが、机の上にやってくる

「起きろ、ジャービス。帰ったぞ」

トニー・スターク、『アイアンマン』

GPT-Liveの会話を聞くと、どうしても映画を思い出します。スパイク・ジョーンズ監督の2013年の映画『her／世界でひとつの彼女』では、主人公が、人のように話し、否定せずに耳を傾け、ただそばにいてくれるOSに惹かれていきます。『アイアンマン』では、トニー・スタークが工房に入り「起きろ、ジャービス。帰ったぞ」と声をかけると、落ち着いた声が応え、すっと仕事に取りかかる。長らくこれらが“たとえ話”の定番だったのは、現実の製品がまるで追いついていなかったからにほかなりません。

この手の連想は、OpenAIにとって初めてではありません。2024年に「Sky」という声を披露したときは、『her』でAIを演じたスカーレット・ヨハンソンに似ていると話題になり、本人の抗議を受けて取り下げた経緯があります。求められているものは、昔から同じ。「人のように話しかけられるコンピュータ」です。2026年に変わったのは、会話そのものが十分に“本物”になり、比べる対象が「声」から「体験」へ移ったことでしょう。

JARVISという発想と、それがなぜもうSFではないのかは、別の記事でじっくり掘り下げました。GPT-Liveは、あの“話すコンピュータ”の場面が、気づけば手元のスマホで使える機能になっていたことの、何よりの証拠です。

音声が「OS」になっていく

コンピュータの歴史は、いつだって“人の意図”に近づく方向へ進んできました。コマンドラインでは正確な命令を打ち込み、GUIでは覚える代わりに「指して選ぶ」ようになり、タッチでは指で直接触れるようになった。どの段階でも、「やりたいこと」と「機械がやること」のあいだの摩擦が削られてきたわけです。次に来る自然な層が「声」。話すことは、人にとっていちばん慣れた伝え方だからです。

OpenAIも、そこをはっきり言葉にしています。ChatGPT音声のプロダクト責任者、Atty Eleti氏は、こう言い切っています。「いずれは、音声をコンピューティングの“主要な入口”として使えるようにしていきたい」。音声機能について会社がこう言い切るのは、なかなかのこと。「もっと良い音声入力」ではなく、「コンピュータを動かす主役としての音声」を語っているのですから。

これは、私たちが1年ほど言い続けてきた話でもあります。音声は“新しい入力手段”にとどまらず、“新しい操作の土台”になる。機械が意図を汲むようになると、人はソフトを一クリックずつ動かすのをやめ、「こうして」と指示して任せるようになります。望みを口にすれば、コンピュータのほうが自分に合わせて動く。そんな関係です。

「チャットボットと話す」ことと「声で仕事を回す」ことは別物

ここで、正直な線引きもしておきます。GPT-Liveは、ChatGPTアプリの中では文句なしに優秀な話し相手です。雑談も、考えごとも、翻訳も、質問への回答もこなします。でも、私たちの仕事の大半はChatGPTの中では起きません。Gmail、Slack、Notion、ブラウザ、カレンダー、コードエディタ……あちこちで起き、しかも「話す」だけでなく「実際に手を動かす」ことばかりです。

1つのアプリの中だけで優秀な音声は、しょせん“優秀なチャットボット”です。いっぽう、どこでも使えて、どの入力欄にも文字を入れ、すでにある文章を直し、画面に映っているものを読み取り、複数のアプリをまたいで実際に操作できる音声は、もはや“OS（土台）”です。ここが、「コンピュータと話す」ことと「コンピュータに仕事をさせる」ことの分かれ目になります。

これはまさに、以前に整理した「音声入力（ディクテーション）」「音声エージェント」「本物の音声レイヤー」の境界線そのもの。GPT-Liveは、会話を人間らしく感じさせてくれました。次の問いはこうです。その会話は、あなたが普段使っている“すべてのアプリの上で”、実際に何ができるのか。

そこで、VoiceOSの出番です

VoiceOSは、MacやWindowsのための“システム全体で動く音声レイヤー”です。1つのアプリに閉じ込められていません。トリガーを押して普通に話すだけで、カーソルのある場所に合わせて言葉を最適な形に整えます。きちんとしたSlackの返信、読みやすいメール、別のAIツールへのプロンプトを、いま開いているアプリのトーンに合わせて仕上げます。

しかも「話す」で止まらず、「実行する」まで踏み込みます。Agent Modeを使えば、画面に映っている内容について質問したり、書いた文章を直したり、Gmail・Slack・Googleカレンダーなどの連携アプリをまたいで実際に操作したりできます。もちろん、大事な送信の前にはきちんと確認が入ります。GPT-Liveは「会話がここまで自然になる」ことを見せてくれました。VoiceOSがめざすのは、その会話を“ふだんの全アプリの上での仕事”に変えることです。

今回のGPT-Live公開は、業界全体が私たちの出発点と同じ方向、つまり「コンピュータに話しかければ、理解して動いてくれる」へと寄ってきていることを示す、何よりの証拠です。その未来にワクワクするなら、いまの仕事でいちばん手早く体感する方法は、自分のパソコンに話しかけてみることです。

よくある質問（FAQ）