話題の音声対話型AIモデルであるGPT Liveですが、現在はChatGPT内でのみ利用可能となっています。

性能的に様々な用途に活用できそうですので、APIに期待している人や企業も少なくなさそうですね。

GPT Live APIはいつ？

OpenAIはGPT LiveのAPIの提供を近日中に公開としています。

以下のページからGPT-Live-1のAPIについての通知を受け取ることが可能になります。

GPT-Live-1 in the API | OpenAI

GPT Live APIは どういう仕様になるのか

OpenAIは、これまで音声対話モデルとしてRealtime APIを提供していますが、、GPT Live APIは入力処理と出力生成を同時並行する全二重と呼ばれる仕様になります。

Realtime APIの仕様も知らなかったのですが、リアルタイムの通話をAPIで実現するというのは、私の知識と経験では必要な処理が予想できませんでした。

こちらの音声は頻繁に送信すれば良いものの、受け取りはどうなるのか、割り込みでの会話を実現するには、受け取るAI音声は、割り込みによって変更が発生し途中から自然に繋がるように変わっていかなければなりません。

AIに聞いたところ以下のような回答を得られました。

Realtime APIは通常のHTTP APIとは根本的に異なり、長時間持続するWebSocket接続の上に双方向イベントプロトコルを定義したステートフルなAPIです。つまり「1回リクエスト→1回レスポンス」ではなく、接続を張りっぱなしにして、イベントが発生するたびに双方向にメッセージが流れ続ける仕組みです。

なるほど、LINEなどのSNSでの通話みたいに常時通信している状態なのか。

GPT Live APIの実装ポイント

GPT Live APIの実装ポイントについての推測も聞いてみました。

GPT-Liveは無音検出によるターンベースではなく、聞くことと話すことを同時に行うフルデュプレックス方式です。
硬直的なターン制、間の取り方での割り込み誤爆、遅いカスケード型パイプラインといった不満点を解消しつつ、難しい質問は裏側でGPT-5.5に振り分ける設計です。

Realtime APIとの違い

GPT Live APIとRealtime APIの違いについても聞いてみました。（推測段階）

セッション意味論の変化
フルデュプレックスということは、イベントが双方向に「常時」流れることを意味し、リクエスト/レスポンスのバースト単位ではなくなります。「ユーザーのターン→モデルのターン」を前提にしたコードは再設計が必要になる可能性がある一方、イベント駆動型のアーキテクチャならそのまま移行できるだろうとされています。

委任(デリゲーション)の第一級プリミティブ化
現在Realtime APIで音声モデルから強力な推論モデル(GPT-5.5)へ質問を投げる仕組みは、関数呼び出しを使って開発者が自前で組む必要があります。GPT-LiveがこのバックグラウンドハンドオフをAPIとして公開すれば、それが設定項目レベルの機能になる可能性があるとされています。

単一モデルではなくバリアント群になる可能性
ChatGPT版のGPT-Liveは、Instant系とThinking系×2つの労力レベルの計4バリアントで構成されています。API版も同様の構成であれば、セッションごとにレイテンシーと推論の深さのトレードオフを選択する形になると予想されています。