「えっと・・・なんて言えばいいかな」。私が言葉に詰まっても、相手は割り込んでこない。黙って、待っている。相手は人ではありません。AIです。
2026年7月に登場した音声モデル「GPT-Live」を、実際に使い込んでみました。会話系のAIは数年ずっと自分の手で検証し続けてきましたが、 「人と話している」という感情になったのは今回が初めてでした。
Fable 5の話題は追っているけれど、音声AIは「ぎこちない機械音声」のイメージで止まっている──そんな方にこそ関係のある変化を、順を追って書きます。
Q01GPT-Liveとは何ですか？何が新しいのですか？
GPT-Liveは、2026年7月に登場した音声対話モデルです。最大の新しさは、聞くことと話すことを同時に行う構造にあります。従来の音声AIは相手の話し終わりを待って交互に話す「トランシーバー」でしたが、GPT-Liveは同時に聞き話す「電話」になりました。
定義はこうです。GPT-Liveとは、聞くことと話すことを同時に処理し、相槌・割り込み・沈黙への対応を自然にこなす音声対話モデルのこと。ChatGPTの中で体験できます。
モデルの中では、「話す・聞き続ける・待つ・割り込む」という判断が1秒間に何度も走っています。だから会話の途中で相槌が打てるし、こちらが考え込んだときは黙って待つこともできる。
この「待ってくれる」が、体験としては革命でした。前の世代なら、少し考え込んだだけで「話し終わった」と誤解されて、確実に割り込まれていた場面です。
Q02これまでの音声AIとの会話は、なぜぎこちなかったのですか？
仕組みが「ターン制」だったからです。無音になったら話し終わりと判定するため、考え込むと食い気味に割り込まれ、背景の物音に反応して会話が乱れる。結局こちらがAIに合わせて話すことになっていました。会話が途切れるのは使い手が下手だからではなく、仕組みの設計の問題です。
誤解のないように言うと、議事録や報告書を任せる「聞き取るAI」はとっくに現場で実用になっています。ずっと未完成だったのは 「会話するAI」 のほうです。
音声AIには、大きく3つの世代があります。
| 世代 | 仕組み | 会話の質感 |
|---|---|---|
| 第1世代（バケツリレー型） | 音声を文字にして、AIが考えて、また音声に戻す | 通訳を2人挟んで会話しているような状態。遅くて、ぎこちない |
| 第2世代（ターン制） | 1つのモデルが音声を直接あつかう | 速くなったが、交互に話すトランシーバー。無音＝話し終わりと判定され、考え込むと割り込まれる |
| GPT-Live（同時双方向） | 聞くことと話すことを同時に行う | 相槌を打ち、黙って待ち、食い気味にも返せる「電話」の会話 |
私は新しい音声モードが出るたびに試して、そのたびに同じ壁に当たってきました。「よりリアルタイムに、より外したことを言わないように」──この両立は、それほど難しい課題です。
Q03実際に話してみて、会話はどこまで自然になりましたか？
まず消えたのは「会話が途切れるストレス」です。話している途中で「うんうん」と合いの手が入り、テンポを上げれば食い気味に返してくる。逆にこちらが考え込めば、急かさずに黙って待つ。会話系のAIを数年検証してきて、「人と話している」という感情になったのは今回が初めてでした。
- こちらが話している途中で、「うんうん」と相槌が入る
- テンポを上げると、食い気味に返してくる。この掛け合いが速い
- 言葉に詰まって沈黙しても、割り込まずに黙って待ってくれる
- 会話の途中で天気の話題を振ると、声で答えながら画面に天気の情報カードが出る（声と画面の合わせ技）
気づいたら、ずいぶん長く話し込んでいて、思わず時計を見ました。AIに合わせて話す必要がなくなった──体験の差を一言でいうと、これに尽きます。
Q04GPT-Liveはなぜ話題になっていないのですか？
理由は2つあります。ひとつは登場のタイミング。2026年夏はFable 5とGPT-5.6 Solという大物モデルが立て続けに出て、ニュースはそちら一色でした。もうひとつは構造的な理由で、「待ってくれる・相槌・テンポ」といった会話の自然さは、ランキングの数字に出にくいのです。
数字に出ない進化は、ニュースになりにくい。だから、必ず自分で試す流儀の人間から順に気づいていきます。
公式の説明でも、専門的な推論や複数ターンの対話タスクで従来の音声モードを上回ったとされています。ただ、私が伝えたいのはスコアの話ではなく、感情が動いたかどうかの話です。
この変化は数字に出ないぶん、体験した人から順に、静かに世界が変わっていきます。
Q05GPT-Liveは、今日どうやって試せますか？
ChatGPTに課金していれば、今日ChatGPTの中で試せます（2026年7月時点でAPIは未開放）。おすすめは、前の世代の音声AIでイラッとした場面をわざと再現することです。話の途中で「えっと・・・」と考え込んでみて、割り込んでこなければ、それが世代の差です。
- ChatGPTの音声会話を起動する
- 話の途中で「えっと・・・」とわざと考え込んでみる──割り込まれなければ、それが世代の差
- テンポを上げて話し、相槌と食い気味の返しを確かめる
- 返答の速さと深さを使い分ける。すぐ返してほしい会話はInstant、じっくり考えさせたい相談はMediumやHigh
私はこれを、効率化の話だとは思っていません。AIが 「操作するツール」から「隣で話せる相手」 に変わる話です。
トランシーバーが、電話になった。自分の耳で確かめられる革命は、そう多くありません。
よくある質問（FAQ）
- Q. GPT-Liveは難しい質問にも答えられますか？
- A. 会話の上手さと頭の良さを分業する構造になっています。難しい質問が来ると、裏で別の賢いモデル（2026年7月時点ではGPT-5.5）が調べに行き、その間もGPT-Liveが会話の場をつなぎます。受付の人が感じよく間を持たせながら、専門部署に確認を走らせているような構図です。
- Q. GPT-Liveを自社のシステムや電話業務に組み込めますか？
- A. 2026年7月時点ではAPIが未開放のため、企業のシステムに組み込めるのはまだ先です。いま体験できるのはChatGPTの中だけです。組み込みを見据えるなら、まず自社の「声で回っている業務」を洗い出しておくのが先手になります。
- Q. 議事録作成などの「聞き取るAI」とは何が違いますか？
- A. 聞き取るAI（文字起こし・議事録・報告書）は以前から実用レベルで、録音さえあれば任せられます。GPT-Liveが変えたのは「会話するAI」のほうです。相槌・沈黙への対応・テンポといったリアルタイムの掛け合いが、初めて自然になりました。
- Q. GPT-Liveの返答の速さは調整できますか？
- A. 選べます。すぐ返してほしい会話はInstant、じっくり考えさせたい相談はMediumやHighと使い分けると、会話の質感が変わります。
AUTHOR
黛 政隆（まゆずみ まさたか）
株式会社GembaShift 代表取締役CEO
エンジニア歴20年、PM経験50件超。生成AIの導入を、現場に入って一緒に組む仕事をしています。 この記事の内容は、著者自身が実際に手を動かして業務で検証した実体験に基づいています。