生成AIニュース 2026年7月13日

GPT-Liveの本質は「推論の外部化」——フルデュプレックスはすでに2年前からあった

2026年7月8日にOpenAIが発表したGPT-Liveは、「人間のように聞きながら話せる」フルデュプレックスの会話体験として大きく注目された。デモ映像を見れば確かに驚く。だが、この記事で整理したいのは「何が本当に新しいのか」という問いだ。

結論から言う。フルデュプレックス自体はGPT-Liveの発明ではない。本質は、軽量な会話モデルがフロンティアモデルへ非同期で推論を外部化する設計——これを週1.5億人規模で動かすインフラとして成立させたことにある。

フルデュプレックスはGPT-Liveの発明ではない

フルデュプレックス音声対話モデルは、GPT-Liveの約2年前にすでに公開されていた。

Kyutaiが2024年に発表したMoshiは、7BのTemporal Transformerとストリーミング音声コーデックMimiを組み合わせ、自分とユーザーの2本の音声ストリームを並行してモデリングする。実測遅延は約200ms。オープンウェイトで公開されており、日本語ファインチューニング版（J-MoshiやLLM-jp-Moshi）まで存在する。

Standard IntelligenceのHertz-dev（2024）は2,000万時間の会話音声で学習した8.5Bのオーディオ専用Transformer。理論遅延は80ms。さらかのぼれば、Metaが2022年に発表したdGSLMが相づちや発話オーバーラップの生成を最初に示している。

技術デモは出揃っていた。では、なぜ製品として普及しなかったのか。理由はシンプルだ——賢くなかったから。

フルデュプレックスモデルは毎秒何度も判断を回す必要があるため、モデルサイズと遅延が直接トレードオフになる。大きくすれば遅延が破綻し、小さくすれば知能が足りない。MoshiもHertz-devも「会話のリズムは自然だが中身が薄い」という同じ壁に当たった。2025年まで「E2EのS2Sモデルはテキストのフロンティアモデルほど賢くできない」という批判が概ね正しい状況だった。

音声AIアーキテクチャの三世代を整理する

GPT-Liveの立ち位置を理解するために、ChatGPT音声モードの変遷を整理しておく。

第一世代（2023） は、Whisper（STT）→ GPT-4系（LLM）→ TTSモデルを直列接続するカスケード型。各段が疎結合で制御しやすいが、モデル間の受け渡しはテキストのみなので声色や感情といったパラ言語情報が落ち、直列処理分の遅延が積み上がる。

第二世代（2024） は、GPT-4oがネイティブに音声を処理・生成するターン制E2E型。情報ロスと遅延は改善したが、「話し終わってから応答する」というターンの概念が残った。沈黙や背景ノイズを発話終了と誤判定して割り込む問題の根源はここにある。

第三世代（2026） がGPT-Live-1とGPT-Live-1 mini。ターンという単位を持たず、入力処理と出力生成を常時並行する。モデルは1秒間に何度も「話す / 聞き続ける / 一時停止する / 割り込む」を判断し続け、相づちや割り込み対応はこの連続判断の副産物として出てくる。

GPT-Liveが解いたジレンマ——「分業」という答え

GPT-Liveがこのジレンマに出した答えは「両立」ではなく「分業」だった。

会話層は会話のテンポ維持に特化した軽量なフルデュプレックスモデルが担う。Web検索や深い推論が必要なリクエストは、バックグラウンドのGPT-5.5へ非同期で引き渡す——これが**推論の外部化（reasoning delegation）**と呼ばれる設計だ。外部処理の間も会話層は対話を継続し、結果が返り次第、会話に織り戻す。

バックエンドの対応は推論レベルごとに分かれており、GPT-Live-1 InstantとGPT-Live-1 miniはGPT-5.5 Instantを、GPT-Live-1 Medium / HighはGPT-5.5 Thinkingを使用する。

この設計のポイントは3つある。

遅延を隠さない。外部処理の間も会話を続けることで、遅延を「隠蔽する」ではなく「会話の一部として扱う」。
知能のスケーリングを会話体験から切り離した。OpenAIはバックエンドを新しいフロンティアモデルのリリースごとに差し替えると明言している。会話層を作り直さずに知能だけ更新できる。
「E2E音声は賢くできない」という批判を無効化した。賢さを外部化できるなら、この批判はそもそも成立しない。

研究コミュニティはすでに同じ答えに収斂していた

ここが「なるほど」と思ってほしい点だ。この推論の外部化という設計は、OpenAIの独自発明ではない。

KAME（Sakana AI、2025年9月論文公開、ICASSP 2026採択）は、GPT-Liveとほぼ相似形の「タンデム型」音声対話アーキテクチャだ。Moshiベースのリアルタイムフルデュプレックスモデルがユーザー音声を処理しつつ、並行してバックエンドLLMにクエリを中継し、テキスト応答をリアルタイムで音声生成に注入する。評価では応答の正確性でベースラインのS2Sモデルを大きく上回りカスケード型に迫りながら、遅延はベースライン並みを維持したと報告されている。

特筆すべきはバックエンド非依存性だ。フロントエンドはgpt-4.1-nanoをバックエンドとして学習されたにもかかわらず、推論時にclaude-opus-4-1やgemini-2.5-flashへ再学習なしで差し替えられる。GPT-Liveの「フロンティアモデルのリリースごとにバックエンドを更新する」設計を、ベンダー横断でより徹底した形と言える。モデル・推論コード・ファインチューニングコードはすべて公開済みだ。

MoshiRAG（Kyutai）は、フルデュプレックス音声モデル向けの非同期知識検索。外部化する対象が「推論」か「検索」かの違いはあれど、「会話層を止めずに重い処理を非同期化する」という骨格はGPT-Liveと共通している。

つまりGPT-Liveは、ゼロからの発明というより、オープンな研究で収斂しつつあった設計を最大規模で製品化したもの——そう位置づけるのが正確だ。

GPT-Liveが本当にやったこと——インフラとしての達成

ではGPT-Liveの達成は何か。端的に言えばインフラだ。

ChatGPTの音声機能は週1.5億人以上が使う。この規模で、会話層のストリーミング推論を維持しながらバックエンドへの引き渡しを非同期処理し、結果を進行中の会話に織り戻す。これはオーケストレーションとサービングの問題であり、論文上のアーキテクチャとは全く別の難しさがある。

ローンチ直後、有料ユーザーにも1日1時間程度の利用上限が設けられていた。このコストがまだ重いことを、OpenAI自身が間接的に示している。

実務的な示唆と今後の競争軸

ここからは見方だが、この設計が普及すると何が変わるか。

まず、ターンテイキングのエンジニアリング資産はコモディティ化する。VADのチューニング、エンドポインティング、割り込み処理といった実装の積み上げは、フルデュプレックスモデルのAPI提供とともに価値が薄れる。Realtime APIが引き起こした圧縮の強化版と考えればいい。「会話の自然さ」を差別化として売ることは、もうできなくなる。

一方、分解可能性に価値がある層は残る。ドメイン特化STT（医療用語、固有名詞）、コンプライアンスやオンプレ要件、電話網統合、各段の観測・監査可能性。パイプライン構成の価値は速さではなく制御性にあり、その需要は消えない。

声のカスタマイズについても留意が必要だ。GPT-Liveは事前定義の9音声のみを使う。フルデュプレックスモデルでは、声の同一性と会話挙動（相づちのタイミング、割り込まれたときの引き方）が学習データ内で絡み合っており、TTSのようなゼロショット話者条件付けは品質を保ったままでは成立しにくい。ブランドボイスやキャラクターボイスが必須の用途では、当面カスケード型やハイブリッド構成に存在意義が残る。

次の競争で差がつくのは、外部化すべきかの判断品質（どのリクエストをバックエンドに投げるべきか）、返ってきた結果を口語に変換する能力、待ち時間のつなぎ方、そしてサービングの経済性だ。地味だが、これが次のレイヤーになる。

同種のニュースを見るとき、「どこを見るか」という判断軸として言えば——「会話の自然さ」よりも「外部化の設計と推論コスト」を見るといい。どのモデルをバックエンドに使い、どういう条件でトリガーし、1会話あたりのコストがどう下がっているか。そこが競争の実態になっていく。