OpenAI、「GPT-Live」を支える半年間のエンジニアリング刷新を技術解説

OpenAIは、今年先に発表した全二重音声システム「GPT-Live」の音声基盤を、半年かけてどのように再構築したかを解説する技術ブログを公開しました。自然で割り込み可能な会話を実現するアーキテクチャの刷新について、新しい伝送プロトコル「WARP」と高速接続機能「Instant Connect」を中心に詳述しています。

詳細

• ターン検出のボトルネック解消: 従来の音声AIは、ユーザーの発話終了を判定する「ターン検出」の仕組みに依存していた。GPT-Liveの全二重設計では、聞き取りと発話を同時に行うことでこのボトルネックそのものを解消した
• WARP(WebRTC Abridged Roundtrip Protocol): 接続確立を高速化するためOpenAIが開発した新しいオープン仕様。SDP交換をクリティカルパスから外し、トランスポートのハンドシェイクを簡略化する
• Instant Connect: WARPと組み合わせることで、クライアントはUDPパケット1つだけでライブ音声セッションを開始でき、ユーザーの発話意図から実際の音声疎通までの時間を大幅に短縮する
• 非同期委任: GPT-Liveは、複雑な推論やツール利用が必要な場面でGPT-5.5のような高性能モデルをバックグラウンドで呼び出せるため、会話の流れを止めることがない
• ステートフルな推論: モデルインスタンス間のシームレスな引き継ぎとコンテキスト圧縮により、長時間にわたる会話セッションも滑らかに継続できる
• 位置づけ: 本記事はGPT-Liveの当初発表に続く技術フォローアップであり、新しいユーザー向け機能ではなく基盤技術そのものに焦点を当てている

その後

• 今回解説された改善は、すでに各プラットフォームのChatGPT音声モードで稼働している
• OpenAIは、同じ低遅延・全二重の伝送基盤を開発者が活用できるAPI版GPT-Liveの提供も計画していると改めて説明した