GPT-Liveの本質は「待てるAI」——電話AIは『間』で競う時代へ

本日、OpenAIがGPT-Liveを発表しました。

https://openai.com/index/introducing-gpt-live/

音声モデルの改善版と受け取られがちですが、私はそう見ていません。これは「話す技術」ではなく、「待つ技術」のアップデートです。

GPT-Liveは何が新しいのか

音声AIの構造は、これで3世代目になります。

第1世代は、聞く→文字にする→LLMで考える→音声に戻す→話す、というパイプライン構造。第2世代は、Advanced Voice Modeのように単一モデルで音声を処理する方式で、速くはなったものの、依然としてターン制でした。ターンの切れ目は「沈黙」で検出するため、短い間や背景ノイズを発話終了と誤判定してしまう。

具体的な場面で考えます。電話口で顧客が契約番号を探して手帳をめくっている。8秒の沈黙。ターン制のAIはこの沈黙を「発話終了」と判定し、「ご用件をもう一度お願いいたします」と話し始めてしまう。顧客は手帳をめくる手を止めて、説明を最初からやり直すことになります。

GPT-Liveの核心はfull-duplex、つまり「聞きながら話せる」ことです。話すか、聞き続けるか、待つか、相づちを打つか、ツールを呼ぶか——この判断を1秒間に何度も行います。沈黙をすぐに発話終了と判断せず、必要なら待つ。検索や深い推論が必要になれば、裏側のGPT-5.5に仕事を渡し、その間も会話を止めない。

つまりこれは音声認識や音声合成の精度の話ではなく、会話の時間制御そのものをモデル化する方向への進化です。

電話AIは「フロント」と「バックヤード」に分かれる

カスタマーサポートの文脈では、この進化は設計思想に直結します。

今後の電話AIは、フロントでGPT-Liveのような会話モデルが顧客との自然なやりとりを担い、バックヤードではFAQ検索、本人確認、契約確認、申請処理、CRM更新を専用エージェントや業務システムが処理する。この分離設計が基本形になっていきます。SierraやSalesforceのAgentforceが進めているマルチエージェント構成も、同じ方向を向いています。

これは「コミュニケーション」と「タスク実行」を分けて考える設計です。

顧客にとって大事なのは、自然に会話できることそのものではありません。変更、確認、申請といった用件がきちんと前に進むことです。一方で、その過程の会話が不自然だと、体験は一気に壊れる。両方を一つのモデルに背負わせないことが、この設計の勘所です。

興味深いのは、OpenAI自身がこの用途を強く意識していることです。公開された評価には「τ³-Voice Telecom」という、通信業の電話サポートを模したマルチターン業務タスクのベンチマークが含まれており、GPT-Live-1がAdvanced Voice Modeを上回ったとされています。汎用アシスタントのおまけではなく、電話サポートが正面の戦場だと宣言しているに等しい。

GPT-Liveのようなモデルは、電話AIを「応答システム」から「会話しながら業務を進めるエージェント」へ近づけます。

競争軸は「何を答えるか」から「どう間を扱うか」へ

結論、2027年あたりから、電話AIの評価軸は回答の正しさだけでなく「間の扱い」で競われるようになります。

ここで一つ留保を付すと、full-duplexモデルが実運用の電話環境——回線ノイズ、遅延、方言、高齢の顧客のゆっくりした話し方——でどこまで通用するかは、まだ誰も検証データを持っていません。デモが上手いことと、月間数万コールを捌けることは別の話です。

触って確かめるしかない。

ただ、GPT-LiveのAPIはまだ提供されていません。7月8日時点ではChatGPT Voice向けの展開が先行しており（週間1.5億人が使う機能の裏側が、この日から入れ替わりました）、API提供は「soon」とされています。いま開発で使えるのはRealtime APIとgpt-realtime系のモデル。だからこそ、出たその日に試せる準備を、今しておく意味があります。

最後に、APIが実装されたらすぐにアップデートして試験できる環境（ハーネス）をつくっているので、KARAKURI voice agentの取り組みが加速するのが楽しみです。

AIオペレーター、ボイスエージェントに興味を持っていただけましたら、ぜひお問い合わせください。