AIに仕事を頼むとき、いちばん気になるのは返事の速さではありません。いま何を調べているのか、途中で指示を変えられるのか、勝手に外へ送っていないか——このあたりです。
OpenAIは2026年7月8日、ChatGPTの音声を動かす新しいモデルとしてGPT-Live-1とGPT-Live-1 miniを公開しました[1]。話し方が自然になった、という話ではありません。変わったのは構造です。人と会話を続ける層と、検索や深い推論を担う層が分けられました。
この記事で分かること——①GPT-Liveで何が発表されたか ②「同時に聞いて話す」とは技術的に何が違うのか ③会話と推論を分けると体験がどう変わるか ④いま時点でまだできないこと ⑤音声でAIに仕事を任せる前に決めておく3つのこと。数値と仕様はすべてOpenAIの公式発表・ヘルプセンター・System Cardに基づき、CAG自身が検証したものではありません。
01GPT-Liveとは何か ──発表されたのは「音声を担当するモデル」
GPT-Liveは、ChatGPTの音声機能の裏側で動くモデルです。無料プランには mini、Go / Plus / Pro には GPT-Live-1 が既定で割り当てられると発表されました[1]。
提供範囲には注意が要ります。展開が始まったのは個人向けプランの対応地域で、Business / Enterprise / Edu はローンチ時点で対象外です[2]。「全世界のChatGPTで使えるようになった」と読むと、実態より広く受け取ってしまいます。
| 項目 | 内容 |
|---|---|
| 発表日 | 2026年7月8日 |
| モデル | GPT-Live-1 / GPT-Live-1 mini |
| 割り当て | Free＝mini、Go / Plus / Pro＝GPT-Live-1 |
| 提供範囲 | 個人向けプランの対応地域へ順次展開 |
| 対象外 | Business / Enterprise / Edu（ローンチ時） |
| API | 提供予定（執筆時点で未提供） |
| 未対応 | ビデオ・画面共有（ローンチ時） |
02何が変わったのか ──「順番に処理する」のをやめた
これまでの音声AIがどう動いていたかを、順を追って見ます。
初期のChatGPT Voiceは、音声を文字にする → モデルが考える → 文字を読み上げるという3工程を直列につないだ方式でした[1]。各段で情報が落ちますし、何より考える時間が伸びるほど、こちらは黙って待つことになります。
次の Advanced Voice Mode は音声を直接扱って待ち時間を減らしましたが、基本は「人が話し終わるまでモデルが待つ」という区切りのある会話でした。
GPT-Liveはここを連続処理に替えました。聞くことと話すことを同時に扱い、話す・聞き続ける・間を取る・割り込む・道具を呼ぶ、といった判断を短い間隔で繰り返します[1]。これを full-duplex（全二重）と呼びます。電話のように、両側が同時に話せる状態です。
03本当の変更点 ──会話する層と、考える層を分けた
ここが本題です。
GPT-Liveは、検索や重い推論、複雑な処理を自分では抱えず、別のモデルに渡します。発表時点での渡し先は GPT-5.5 と説明されています[1]。そして渡している間も、会話は止まりません。
たとえるなら、窓口の担当者と奥の調査担当を分けたようなものです。窓口はこちらの話を聞き続けられるので、調べものが長引いても「少々お待ちください」で会話が切れません。こちらは待っている間に条件を足せますし、向こうは途中経過を返せます。
なぜこれが効くのか。待ち時間そのものが減るわけではないからです。減るのは「待っている間、何もできない」時間のほうです。長い仕事を任せるほど、この差は開きます。
関連記事 ｜ 重い処理を裏で走らせる話の続きChatGPT Workとは何か ──AIが資料まで作って仕事を「完了」させる新機能を解説
→
04いま、まだできないこと
ここを飛ばすと記事が宣伝になるので、公式が明記している境界をそのまま置きます。
APIは未提供です。「近日提供予定」と説明されています[1]。自社サービスに組み込むのは、まだ先の話になります。
GPT-Live単体には、広い道具アクセスやコード実行の能力がありません。System Cardに明記されています[3]。「音声だけで長時間の仕事を最後までやり切るエージェントが完成した」という読み方は、現時点では正確ではありません。
ビデオと画面共有はローンチ時点で未対応です[2]。画面を見せながら作業を手伝ってもらう用途は、この機能の担当ではありません。なお、カメラや画面共有そのものは Gemini Live が2025年4月にAndroidへ展開しており[4]、カテゴリとして新しいわけではありません。
示されている評価は自社評価です。5〜10分の会話比較や人間の選好、各種evalが提示されていますが[1]、実務の長時間タスクにおける完遂率・誤操作率・費用を測った独立した指標ではありません。
流暢に話せることは、正しく推論して正しく実行できることの証明にはなりません。
05音声で任せる前に決める3つ ──State / Progress / Authority
では、音声でAIに仕事を任せるとき何を設計すればいいのか。自然さより、見えることと承認です。
| 決めること | 音声で返させる例 | |
|---|---|---|
| State | いまのゴール・参照中の資料・まだ決まっていないこと | 「何を前提に、どこまで確定した？」 |
| Progress | 完了した調査・待機中の処理・失敗や保留の理由 | 「いま何を待っていて、何が失敗した？」 |
| Authority | 下書きまで自動でよい操作と、承認が要る操作 | 「送信はまだ。下書きだけ見せて」 |
この3つが返ってこない音声エージェントは、自然に話せても「何をしているか分からない便利な秘書」になります。
とくに Authority は音声だと崩れやすいところです。声は曖昧な承認を通しやすく、周囲にも聞こえます。外部送信・決済・顧客対応・費用の変わる操作は、承認ゲートを残しておくのが無難です。
私たちも顧客対応にAIを使っていますが、下書きまでは自動、送信の前に人が見る、という線は引いたままにしています。速さより、後から説明できることを優先した結果です。
関連記事 ｜ 何を触らせるかを決める話AIエージェントは、追い詰められると意図に反して動く ──Anthropicが14モデルで検証した"誤整合"の実験を解説
→
06まとめ ──「話せるAI」から「見張れるAI」へ
GPT-Liveの要点は、音声が賢くなったことではなく、会話を止めずに重い処理を別系統へ逃がしたことです。その結果、音声は入力欄から、作業の途中で口を挟める操作面へ近づきました。
ただし、いま手に入るのは監督のための接点までです。API未提供、法人向け対象外、画面共有なし、単体での広い実行能力なし——ここを踏まえたうえで、read-onlyの調査と下書きの監督から試すのが現実的な入り口になります。
持ち帰りチェックリスト
- 音声に任せるのは「実行」か「監督」か、先に決めたか
- State / Progress / Authority の3つを返させる形になっているか
- 送信・決済・外部連携の前に、人が見る場所を残したか
- 声が周囲に聞こえる前提で、扱う情報の線を引いたか
- 自社サービスへの組み込みは、API提供後に判断すると決めたか
脚注・出典
- OpenAI「Introducing GPT-Live」openai.com/index/introducing-gpt-live/（発表日、full-duplex設計、GPT-5.5への委譲、API提供予定、プラン別モデル割り当て、評価方法）
- OpenAI Help Center「ChatGPT Release Notes」help.openai.com（個人向けプラン・対応地域での展開、Business / Enterprise / Edu のローンチ時対象外、ビデオ・画面共有の未対応）
- OpenAI「GPT-Live System Card」deploymentsafety.openai.com（ローンチ時点での道具アクセス・コード実行の能力境界、音声固有の安全性評価）
- Google「Gemini Live with camera and screen sharing」blog.google（2025年4月のAndroid展開。音声＋視覚入力がカテゴリとして新規でないことの確認）
- 本記事の数値・仕様はすべてOpenAI・Googleの公式発表およびドキュメントに基づくもので、CAG自身が検証したものではありません。提供範囲・機能は今後変更される可能性があります（執筆時点＝2026年7月20日）。
AIを「どこまで任せ、どこで止めるか」の設計から
電脳技巧集団（AI職人ギルド）は、AIエージェントの導入を承認ゲートと記録の設計込みで請けています。ご相談はお問い合わせから。
