GPT-Live-1.1をAPIで試した 音声エージェントの要点

OpenAIが音声モデルGPT-Live-1.1をAPIで公開した。多言語の発音の安定と無音中に安く待てるStandbyが要点だ。実際に試した感触と音声エージェント開発での判断基準と日本での受け止め方をまとめる。
OpenAIが音声モデル「GPT-Live-1.1」をAPIで公開した。ChatGPTの音声会話で10月15日から動いていたモデルを、そのまま自分のアプリに組み込めるようになった。私も試したが、音声エージェントを作っているなら確認しておく価値がある。この記事では何が変わったのかと、それが実装と料金の設計にどう響くかを整理する。
結論から書く。見るべき点は二つだ。多言語でも発音がぶれにくくなったこと。そして無音の時間を安く待てるStandbyが追加されたこと。前者は品質の話で後者は原価の話なので、社内の計画でも効いてくる場所が違う。
GPT-Live-1.1でAPIから使えるようになったもの
今回APIに来たのは、ChatGPT PlusとProの音声会話と同じモデルだ。つまり多くの人が日常的に触っている音声の品質を、近いものを作るのではなく、そのまま自分のプロダクトの中に置けるということになる。
公開された改善点は次の通り。
- 多言語で一貫した自然なアクセント
- 英字や数字の聞き取りが正確になった
- 5〜60秒の無音でモデルが一時停止するStandbyの追加
- 待機中の料金は1分0.02ドル(通常は0.05ドル)
見落としやすいのはStandbyの対象だ。これはGPT-Live-1.1だけの機能ではなく、GPT-Live-1でも使える。既にGPT-Live-1で組んでいるなら、モデルを差し替える前に料金設計の改善だけ先に取れる。モデル更新と原価改善は別の決定として扱えばいい。
多言語の発音がぶれにくくなった点が一番効く
私が試して一番良いと感じたのはここだった。言語をまたいだときの発音のぶれが減っている。
英語だけで音声を作っているなら小さな項目に見えるかもしれない。英語以外では話が違う。日本語の音声エージェントは、文の途中で必ず英語を読む。製品名、機能名、社名、単位。モデルの読みがその都度変わると、聞いている側は内容ではなく発音に気を取られる。デモなら違和感で済むが、業務で使うなら信頼の問題になる。自社の製品名を読み間違える音声は、その事業を理解していないように聞こえる。
一貫性は「同じ一人が話している」という感覚を支える部分でもある。同じ単語が二回目で違う読みになると、話者が一人だという前提が崩れる。一度うまく読めることより、毎回同じに読めることのほうが実務では重い。
英字と数字の聞き取りは音声エージェントが本当に落ちる場所
二つ目の改善、英字や数字の聞き取りが正確になったという点は、字面は地味だが一覧の中でいちばん業務に効く。
実際の仕事でどこに英字と数字が出てくるかを並べると分かりやすい。
- 予約番号や注文番号の読み上げと復唱
- 型番や品番の確認
- 電話番号や郵便番号のやり取り
- 社内システムのID
一文字取り違えると、会話は成立しているのに業務は成立しないという失敗になる。音声エージェントの試験導入が止まる理由はたいていこれだ。評価のコメントに「会話が下手だった」と書かれることは少なく、書かれるのは「違う注文番号で確認された」である。詰まっていたのは会話力ではなく文字単位の正確さだった。だから改善の入った場所としては正しい。
やるべきことは一つで、自社の語彙で測り直すことだ。品番の書式、SKUの規則、予約番号の採番は業界ごとに癖があり、会社ごとに違うこともある。一般的な改善は再テストの理由にはなるが、自社の最悪ケースが解決した証拠にはならない。
Standbyは音声エージェントの原価の考え方を変える
Standbyは設計そのものを変えうる項目だ。5〜60秒の無音が続くとモデルが一時停止し、WebRTCの通話はつないだまま安い料金で待つ。話しかけると再開する。
これまでは黙っている時間も通常料金だった。だから設計者は二択を迫られた。無言が続いたら切る。すると戻ってきたユーザーは最初から説明し直す。あるいは繋いだままにする。すると誰も使っていない時間に料金を払う。多くのチームは短めのタイムアウトを選び、体験の悪さを飲んでいた。表計算が決めた結論だった。
Standbyはこの二択を崩す。セッションは残したまま単価を下げられる。結果として今まで現実的でなかった使い方が成立する。
- 待ち時間や保留の間も切らずに繋いでおく
- ユーザーが書類や画面や棚を確認している間を待つ
- 長い伴走型の会話。1時間作業して必要な時だけ話しかける
三つ目は特に算盤が合わなかった領域だ。1時間付き添って実際の発話が5分なら、1時間分の通常料金は支えられない。待機の単価が下がると、この種の用途が検討の机に戻ってくる。
自社に効くかどうかの見極めは単純だ。発話が断続的で無音の割合が大きい用途ほど効果が出る。読み上げが続くものや短い問い合わせ応答では、割り引ける無音がそもそも少ないので効果は小さい。推測しなくてよく、既存の通話ログで無音の割合を測れば、コードを書く前にどちらか分かる。
もう一つ、Standbyが節約するものだけでなく守るものにも目を向けたい。通話が切れないということは、文脈も会話の流れも残るということだ。再接続の負担は技術だけの話ではなく、ユーザーが自分は誰で何をしたいのかを言い直す負担でもある。
重い処理は別のモデルに任せる前提で組む
設計に関わる点がもう一つある。重い処理は好きなバックエンドのモデルに任せつつ、会話の流れを止めずに進められるとされている。
音声エージェントで体験を最も壊すのは、調べものをしている数秒の沈黙だ。人間同士なら「少しお待ちください」と言える。従来は沈黙を許すか、間を埋めるために無理に喋らせるかしかなかった。
分担を前提にすると構成が整理される。
- 聞く、受け答えする、話すはGPT-Live-1.1が担当する
- 検索や社内データの照会や長い推論は別のモデルやシステムが担当する
- その待ち時間を音声側が自然に埋める
これはモデル選定ではなく設計の決定で、副作用として良い点がある。後から思考側を差し替えても、会話の表面を作り直さなくて済む。社内データをどこで処理するかに制約がある企業では、音声層と推論層が分かれている設計のほうが承認を取りやすい。この種の制約は交渉で動かせないことが多いので、制約に合う構成であることはベンチマークの優劣より価値が出る場面がある。
日本での受け止め方と海外企業が日本で伝える時の示唆
日本の音声の用途は電話に寄っている。コールセンター、予約の受付、取次、代理の伝言。だから今回の二つの改善は、日本の現場の課題と重なりが大きい。言語が混ざる発音と文字単位の正確さは、日本の業務通話で最も間違いが起きる二点そのものだ。
ただし日本の導入側が確認する順番は、発表資料の構成とはたいてい違う。
- 間違えた時にどうなるか
- 間違えた時に誰が責任を取るか
- 1件あたりいくらか
性能はこの三つの後に来る。Standbyは三つ目に直接答える話なので、日本に向けて伝えるなら「速い」「自然だ」より「沈黙に通常料金を払わなくて済む」のほうが遠くまで届く。
海外のAI企業が日本で発表する時の示唆もここにある。日本語で試した形跡が添えられているかどうかで受け止められ方が変わる。今回の発表動画に日本語字幕を付けた版を出したのも、日本語で読めないと議論が始まらないからだ。多言語対応を謳う製品ほど、その言語で実際にどう聞こえるかを見せるほうが、謳い文句そのものより価値がある。
自社でどう活かすか
やることは三つに絞れる。
- 既存の音声業務で無音の割合を測る。Standbyの価値を決めるのはモデル比較ではなくこの数字だ
- 英字や数字を復唱する場面を洗い出し、自社の語彙で測り直す。自社の品番と自社のID書式で試す
- 話す部分と考える部分の境界を引き直し、考える側を差し替え可能にしておく
音声エージェントの案件が止まる理由はだいたい二つで、品質が足りないか、原価が合わないかだ。今回の更新が動かしたのは後者である。コストを理由に棚に上げた案件があるなら、その時の判断メモを開き直す価値はある。
よくある質問
GPT-Live-1.1は何が改善されたのか
多言語で一貫した自然なアクセントと英字や数字の聞き取りの正確さが改善点として公開されています。加えて無音の間を安く待てるStandbyが追加されました。ChatGPT PlusとProの音声会話と同じモデルがAPIから使えます。
StandbyはGPT-Live-1でも使えるのか
使えます。GPT-Live-1とGPT-Live-1.1の両方で利用できる設定です。5〜60秒の無音が続くとモデルが一時停止し、WebRTCの通話はつないだまま安い料金で待ち、話しかけると再開します。
Standbyの料金はいくらか
待機中は1分あたり0.02ドルです。通常は1分あたり0.05ドルなので、無音の時間を安く待てることになります。無音の割合が大きい用途ほど効果が出ます。
Xの投稿をもとに作成元の投稿 ↗