オープンAIは2026年7月10日、大規模言語モデル「GPT-4o」の音声会話機能を有料ユーザー向けに段階的に提供開始すると発表した。この機能は、従来のテキストベースの対話を超え、人間のように自然な音声でのリアルタイム会話を実現する。まずはChatGPT Plus、Team、Enterpriseの各有料プランユーザーから利用可能となり、数週間以内に無料ユーザーにも拡大される予定だ。
高度な感情認識と自然な応答
GPT-4oの音声会話機能は、ユーザーの声のトーンやピッチ、話す速度から感情を読み取り、それに応じた表情豊かな応答が可能。例えば、ユーザーが悲しそうな声で話しかけると、GPT-4oは優しい口調で返答する。また、笑い声やため息なども認識し、文脈に合わせた反応を示す。オープンAIのCEO、サム・アルトマン氏は「この機能により、AIとの対話がより人間らしく、直感的になる」と述べている。
段階的なロールアウトと今後の展望
オープンAIは、音声機能を段階的に展開する理由について、サーバー負荷の分散と品質の安定化を挙げている。まずは英語版から開始し、その後日本語を含む複数言語に対応予定。同社は2025年5月にGPT-4oを発表して以来、テキスト、画像、音声を統合したマルチモーダル機能の強化を進めてきた。今回の音声会話機能は、GPT-4oのマルチモーダル能力の一環として位置づけられている。
なお、この機能はデフォルトで有効化されており、ユーザーは設定からオフにすることもできる。プライバシーに関しては、会話データはAIモデルのトレーニングに使用されず、一定期間後に削除されると説明されている。
競合との差別化
競合のグーグルやマイクロソフトも音声アシスタント機能を提供しているが、GPT-4oの音声会話はより自然な対話フローと感情理解に優れるとされる。オープンAIは、この機能がカスタマーサポートや語学学習、エンターテインメントなど幅広い分野で活用されると期待している。
GPT-4oの音声会話機能は、2026年7月10日より順次提供開始。詳細はオープンAIの公式ブログで確認できる。
