ChatGPT新機能

GPT-Live-1 API: 全二重音声会話・12の新ボイス・ネイティブトランスクリプト対応

OpenAIがGPT-Live-1 APIを発表。全二重（フルデュプレックス）音声会話に対応し、12種類の新ボイスとネイティブトランスクリプト機能を搭載した次世代音声APIの詳細を解説。

2026-09-07約 4 分で読める元記事を読む

ChatGPTGPT-Live-1音声APIリアルタイムOpenAI

OpenAIは音声対話専用の新APIモデルGPT-Live-1を発表した。全二重（Full-Duplex）音声通信、12種類の新ボイス、ネイティブトランスクリプトを一体化したこのAPIにより、電話のように自然なAI音声会話アプリケーションの構築が可能になった。

GPT-Live-1の主要機能

全二重（Full-Duplex）音声通信

従来の音声APIは「ユーザーが話す → AIが処理 → AIが返答」という半二重モードだった。GPT-Live-1は電話のように、ユーザーとAIが同時に話せる全二重通信に対応している。

これにより：

ユーザーはAIの回答中に割り込める（Interrupt）
AIはユーザーが話している間でも自分の文章を形成できる
より自然な「会話」体験を実現

12の新ボイス

GPT-Live-1では12種類の高品質ボイスが追加された：

ボイス名	性別	特徴	推奨用途
Nova	女性	親しみやすい・明るい	カスタマーサポート
Echo	男性	落ち着いた・専門的	ビジネスアシスタント
Sage	中性	穏やか・知的	教育・学習
Blaze	男性	活気ある・エネルギッシュ	スポーツ・エンタメ
Harmony	女性	温かい・共感的	メンタルヘルス支援
...他7種	-	-	-

ネイティブトランスクリプト

音声会話と同時に、テキストトランスクリプトをリアルタイムで生成する機能だ：

音声会話のログ例：
[00:00:02] User: "今日のミーティングのアジェンダを作ってください"
[00:00:08] AI: "はい、ミーティングのアジェンダを作成します。まず..."
[00:00:15] User: （割り込み）"3項目でいいです"
[00:00:17] AI: "承知しました。3項目でまとめます..."

会話ログはリアルタイムでAPIレスポンスとして受け取れるため、後からの検索・分析・コンプライアンス記録に活用できる。

APIの実装例

WebSocket接続でリアルタイム音声会話

import asyncio
import websockets
import json
import base64

async def voice_conversation():
    url = "wss://api.openai.com/v1/realtime/sessions"
    headers = {
        "Authorization": f"Bearer {OPENAI_API_KEY}",
        "OpenAI-Beta": "realtime=v1"
    }
    
    async with websockets.connect(url, extra_headers=headers) as ws:
        # セッション設定
        await ws.send(json.dumps({
            "type": "session.update",
            "session": {
                "model": "gpt-live-1",
                "voice": "nova",  # 12ボイスから選択
                "input_audio_format": "pcm16",
                "output_audio_format": "pcm16",
                "turn_detection": {
                    "type": "server_vad",
                    "threshold": 0.5,
                    "silence_duration_ms": 800
                },
                "transcript_enabled": True  # ネイティブトランスクリプト
            }
        }))
        
        # 音声データを送信しながら応答を受信
        async def send_audio():
            # マイクからの音声を16bit PCMでストリーミング
            while True:
                audio_chunk = get_audio_from_mic()  # 実装依存
                await ws.send(json.dumps({
                    "type": "input_audio_buffer.append",
                    "audio": base64.b64encode(audio_chunk).decode()
                }))
        
        async def receive_response():
            async for message in ws:
                data = json.loads(message)
                
                if data["type"] == "response.audio.delta":
                    # 音声データを再生
                    play_audio(base64.b64decode(data["delta"]))
                
                elif data["type"] == "response.audio_transcript.delta":
                    # リアルタイムトランスクリプト
                    print(data["delta"], end="", flush=True)
                
                elif data["type"] == "input_audio_buffer.speech_started":
                    # ユーザーが話し始めた（割り込み検出）
                    print("[割り込み検出]")
        
        await asyncio.gather(send_audio(), receive_response())

asyncio.run(voice_conversation())

ユースケース別の活用例

1. AIコールセンター

GPT-Live-1を活用したコールセンターシステムでは：

電話の音声を直接GPT-Live-1に接続
顧客の感情・緊急度を分析して優先度を自動設定
解決できない場合は人間のオペレーターにシームレスに転送

2. 語学学習アプリ

# 発音評価付き会話練習
session_config = {
    "model": "gpt-live-1",
    "voice": "echo",
    "instructions": "英語学習者との会話を練習します。文法の間違いは優しく指摘し、良い発音を褒めてください",
    "pronunciation_feedback": True  # 発音フィードバック機能
}

3. アクセシビリティサポート

視覚障害者や運動障害者向けのコンピュータ操作補助として、自然な音声会話でPCを操作する次世代インターフェースを構築できる。

価格

プラン	価格
入力音声	$100 / 1時間
出力音声	$200 / 1時間
トランスクリプト	無料（音声料金に含む）

まとめ

GPT-Live-1は音声AIアプリケーション開発の複雑さを大幅に削減する。全二重通信・12ボイス・ネイティブトランスクリプトを単一のAPIで提供することで、開発者は音声処理の低レベルな実装から解放され、アプリケーションのUX/UX設計に集中できる。コールセンター、語学学習、アクセシビリティなど多様な分野での活用が期待される。

OpenAI Presence…・OpenAI Agents A…など、関連する記事もあわせてご覧ください。