OpenAIは、開発者が音声対応のアプリケーションや業務ワークフローを構築するための音声モデルとして、API向けに「GPT-Live-1」を提供開始したと発表しました。

GPT-Live-1は、聞き取りと発話が同時に行える「フルデュプレックス（全二重）」な会話が可能です。従来の音声エージェントは、音声認識（ASR）、推論、音声合成を個別の工程として繋ぎ合わせていたため、遅延や文脈の喪失が課題となっていました。GPT-Live-1は、一つのモデルで聞き取りと発話を行うことで、このレイヤーを簡素化しています。

また、ユーザーが発話中に割り込んでも、バックエンドで行われている推論やタスクの実行を中断させることなく、会話を継続できる「delegation（委譲）」機能を備えています。開発者は、会話を司る音声モデルとは別に、バックエンドで使用する推論モデルやツールを自由に選択できます。例えば、大量の予約管理には低コストなモデルを、複雑な顧客対応には高度な推論能力を持つモデルを組み合わせるといった使い分けが可能です。なお、ASRの文字起こしデータや応答テキストもネイティブに提供されます。

APIの利用料金は、音声レイヤー部分として1分あたり0.05ドルに設定されています。バックエンドで使用するモデルやツールの料金は別途発生します。

出典:

出典: