GPT-Liveとは？ChatGPT音声を刷新したOpenAI新モデルの性能・料金・使い方を解説

GPT-Live（ジーピーティー・ライブ）は、OpenAIが2026年7月8日に発表した「聞きながら話す」新世代の音声モデルです。

これまでのAdvanced Voice Modeを置き換える形で、Free / Go / Plus / Proのconsumer 4プランに順次ロールアウトされています（Business / Enterprise / Eduはローンチ時未対応）。

本記事では、技術構造（フルデュプレックス／GPT-5.5デリゲート）、使い方、料金体系、ベンチマーク性能、セーフティ設計、Advanced Voice ModeやRealtime APIとの使い分け、業務活用のケース別判断軸を、2026年7月時点の最新情報で体系的に解説します。

GPT-Liveとは？ChatGPT音声を刷新した「聞きながら話す」音声モデル

GPT-Liveは、OpenAIが2026年7月8日に発表した、ChatGPTの音声モードを支える新世代の音声モデルです。

技術的には「フルデュプレックス（全二重）」と呼ぶ構造を採用しており、モデルが聞くと話すを同時に処理できる点が最大の特徴です。
相槌を返しながら次の応答を組み立て、ユーザーが黙って考えているときはこちらも黙って待つ、という自然な会話のリズムが成立します。

2026年7月時点でChatGPTの音声機能は週1.5億人以上が使うインタフェースになっており、GPT-Liveの投入は、これまでのAdvanced Voice Modeをプラン別に自動置き換えるという規模で進行しています。

対象地域・対象アカウントでは、Free/Go/Plus/Proのいずれのプランでも音声ボタンをタップすればGPT-Liveがデフォルトで応答する状態に切り替わります（地域・ワークスペース設定・アプリバージョンにより可用性は異なります）。

OpenAI音声モデルにおける3世代目の位置づけ

OpenAIの音声モードは、公開の順で見ると3つの世代に整理できます。

Standard Voice Mode（音声認識→LLM→音声合成の直列型）が第1世代、Advanced Voice Mode（単一モデルでターン単位に処理）が第2世代、そして今回のGPT-Liveがフルデュプレックスによる第3世代です。

GPT-Liveは、Advanced Voice Modeが抱えていた**「無音を検知してターン切れと誤判定してしまう」問題**に、そもそもターンという単位を持たないアーキテクチャで対応しています。

会話が終わった瞬間の一瞬の間や、周囲の雑音を「話し終わり」と誤認して割り込む挙動が大幅に軽減され、日本語のような間を大切にする言語でも使いやすくなりました。ただしOpenAIの公式FAQでも「背景音・長い沈黙・他者音声などでは依然として割り込みや停止が起きうる」と説明されており、完全にゼロになるわけではありません。

---

Standard→Advanced Voice→GPT-Liveの3世代アーキテクチャ

GPT-Liveの位置づけを正確に押さえるには、それまでのChatGPT音声モードがどう作られていたかを知る必要があります。

ここでは、OpenAI公式のIntroducing GPT-Liveで整理されている3世代のアーキテクチャを、日本語の実務用語で読み解きます。

第1世代 Cascaded Voice System

初代のChatGPT Voiceは、独立した3つのモデルを直列で接続する「カスケード型」でした。

具体的には、音声認識モデル（STT）でユーザーの発話をテキスト化し、大規模言語モデル（LLM）が応答テキストを生成し、音声合成モデル（TTS）が音声に戻す、という順番でパイプラインが流れます。

この方式のメリットは実装のしやすさですが、実務では以下の課題が繰り返し指摘されました。

• モデル間の情報損失
  STTがテキスト化する時点で、口調・感情・イントネーションといった情報が消えてしまう。LLMは「文字だけ」で応答を作るため、口頭ならではのニュアンスが反映されない
  
  

• 応答の遅延と硬さ
  3モデルを順番に呼ぶため、ユーザーの発話終了から音声応答が返るまでに数秒の間が発生。会話のテンポが崩れる
  
  

• 割り込み・相槌への非対応
  モデルが話している間はユーザー音声を聞けず、ユーザーが話している間はモデルは応答準備すらできない

「ChatGPTと会話できる」体験は初めて世に出したものの、電話越しに読み上げているような不自然さが残っていました。

第2世代 Turn-based Voice Model

2024年夏に登場したAdvanced Voice Modeは、STT/LLM/TTSを単一モデルに統合し、音声の入出力を直接処理できるようにしました。これによってレイテンシは大きく下がり、会話体験は一気に自然に近づきました。

ただし、依然として「ターン（発話単位）」で処理する設計に留まっています。モデルはユーザーが話し終わるまで待ってから応答を生成し、応答中はこちらの声を受け付けません。

ターン検出の判定基準は主に「一定時間の無音」であるため、以下のような場面で誤動作が起きます。

• 考えている間の短い沈黙を「話し終わり」と判定し、モデルが応答を始めてしまう
• 電車内の背景ノイズや隣の人の話し声を発話と誤認して、意図しない応答が返る
• ユーザーが「もう少しゆっくり」と言い終わる前に応答を打ち切ってしまう

Advanced Voice Modeが「使いやすくなったが、それでも会議録画を読み上げる不自然さが残る」と評されていた背景には、このターン単位の設計上の限界があります。

第3世代 Full-duplex Architecture

GPT-Liveは、そもそも「ターン」という単位を持たない設計に変えました。フルデュプレックス（全二重）という用語のとおり、入力を受け取り続けながら、同時に応答を組み立てる構造です。

モデルは1秒間に何度も判断を下します。話すべきか、聞き続けるべきか、間を置くか、割り込むか、外部ツールを呼ぶか、という選択を高頻度に切り替える設計です。

結果として、次のような会話体験が成立します。

• ユーザーが話している最中に「うん、うん」「なるほど」と相槌を返す
• ユーザーが「ちょっと考えさせて」と言えば、こちらも黙って待つ
• ユーザーの話が続く限り、モデルは自分の応答を始めずに聞き続ける
• モデルの応答中でも、ユーザーが割り込めば即座に受け止めて路線変更する

この構造は、リアルタイム翻訳のように「話し手がまだ話している最中に、別言語で追いかけて発話する」用途にも直接応用できます。

GPT-Liveがフルデュプレックスを採用したことで、音声AIは電話越しの読み上げから、同僚と会話するというレベルに一段近づきました。

「デリゲート」で会話の裏側にフロンティアモデルを置く

GPT-Liveの設計でもう1つ重要なのが、会話を担うモデルと、深い推論を担うモデルを分離した点です。

会話の連続性を維持するのはGPT-Live本体で、Web検索・複雑な計算・エージェント的な処理が必要な質問を受けると、裏側でフロンティアモデル（現状はGPT-5.5）に投げて結果を待ちます。

この間、ユーザーとの会話は途切れません。「調べているので少し待ってください」といったつなぎの発話をGPT-Live本体が返し、GPT-5.5から結果が戻ってきたタイミングで会話に自然に織り込みます。

これまでの音声モデルは「深く考えたいなら遅くなる」「速くしたいなら浅くなる」というトレードオフを抱えていましたが、GPT-Liveはこれをフロント（会話）とバックエンド（推論）の分業で解いています。

---

GPT-Liveの使い方——始め方から視覚カード・9音声まで

ここでは、実際にGPT-Liveを触るときの手順と、押さえておくべき操作を順に解説します。

Advanced Voice Modeを使っていた読者にとっては、ほとんど追加操作なしで新しい体験に切り替わりますが、Reasoning Effort（推論レベル）の切り替えや視覚カードなど、GPT-Live特有の機能もあるためチェックしておいてください。

前提条件

GPT-Liveを使うにあたっての前提条件は次のとおりです。

• 対応プラットフォーム
  iOS、Android、およびChatGPT.com（Web版）で利用可能。ChatGPTデスクトップアプリはローンチ時点では非対応
  
  

• 対応プラン
  consumer 4プラン（Free / Go / Plus / Pro）で利用可能。Business / Enterprise / Eduワークスペースはローンチ時点では非対応。詳細は後述の料金セクションを参照
  
  

• アプリの更新
  モバイルアプリはApp Store / Google Playで最新版に更新しておく。ロールアウトは段階的なので、更新後もGPT-Liveが反映されるまで数日かかる場合がある
  
  

• 年齢と地域
  未成年ユーザーには保護者コントロール（Parental Controls）が別途適用される。地域によっては音声機能が一部制限される場合あり

音声モードの起動と基本操作

音声モードの起動は、既存のAdvanced Voice Modeとまったく同じ入口です。

ChatGPTアプリまたはWebの入力欄右端にある音声アイコンをタップすると、GPT-Liveのセッションが始まります。従来の音声モード操作と互換のため、既存ユーザーは追加のセットアップは要りません。

基本操作の流れは次のとおりです。

1. 音声アイコンをタップして会話を開始する
2. 話しかけるとGPT-Liveがリアルタイムに相槌を返しながら聞く
3. 考える時間が欲しいときは「少し待って」と伝えるとモデルは黙って待つ
4. 深い調査が要る質問を投げると、裏でGPT-5.5に処理を委譲しつつ会話を継続する
5. 会話を終えるときは終了ボタンをタップ、または「会話終了」と伝える

とくに注目すべきは3の「待って」と言えば待ってくれる挙動と、4のデリゲート中も会話が途切れない挙動です。

これまでのAdvanced Voice Modeでは、少しでも黙るとモデルが応答を始めてしまうため「話しながら考えを整理する」のが難しかったのですが、GPT-Liveはこの点を大幅に改善しています。

Reasoning Effortの3段階切替

GPT-Liveでは、応答速度と推論の深さのトレードオフを3段階で選べるようになりました。会話中の設定メニュー（Intelligence設定）から切り替えられますが、利用可能なレベルはプランに依存し、Free/Goなど下位プランでは選べる範囲が限定される場合があります。

以下の表で、Reasoning Effortの3段階を整理しました。

Reasoning Effort	バックエンド	想定シーン
Instant	GPT-5.5 Instant	雑談、簡単な質疑、通勤中の相談など、素早い応答が欲しい場面
Medium	GPT-5.5 Thinking（中程度）	業務メール文面の相談、企画のブレスト、複雑な質問など
High	GPT-5.5 Thinking（高）	契約書の読み解き、専門文書の要約、複数条件の判断など

この使い分けから分かるのは、同じGPT-Liveでも中身のGPT-5.5のモードを切り替えるだけで得られる回答の質が段階的に変わるという点です。

Instantが一番自然な会話のリズムを保ちますが、専門的な質問ではMediumやHighに切り替えたほうが、途中の「待って」というつなぎの時間はあっても、最終的な回答精度が上がります。

視覚カード（Rich Visual Cards）の見方

音声で会話しながら、天気・株価・スポーツ結果・地図といった情報が画面上のカードで並行表示される機能が新しく追加されました。

例えば「今日の東京の天気は？」と聞くと、GPT-Liveが音声で答えつつ、画面上には気温・降水確率・時間帯別予報のカードが表示されます。株価や試合スケジュールも同様です。

天気予報カードの表示例（Denverの当日気温と時間帯別チャート）（出典：Introducing GPT-Live | OpenAI）

サッカー試合予定カードの表示例（国旗と試合日時が縦並びで整理される）（出典：同上）

近隣店舗を地図で表示する例（店名・評価・営業状態が地図上に並行表示される）（出典：同上）

天気・スポーツ・地図の3画面例に共通するのは、「音声応答が続くなかで画面上に構造化情報が同時提示される」というUIパターンです。

数値・時刻・場所といった細部は音声だけでは把握しづらいため、視覚カードでの並行提示は日常利用でそのまま実務価値になります。

実務的には、以下のような使い方が想定できます。

• 出張前に音声で天気を聞き、視覚カードで詳細をチェックする
• 移動中に会議で話題になった株価を音声確認し、カードで直近の推移を眺める
• 打ち合わせ前に会場周辺のカフェを音声検索し、地図カードで場所を確認する

音声とビジュアルの併用は、Gemini Liveのビデオ入力に比べると受け身な情報表示ですが、両手を使わずに情報を確認したいシーンでは十分実用的です。

9音声のリマスターと音声の切り替え

ChatGPTには従来から9種類の音声（Arbor / Breeze / Cove / Ember / Juniper / Maple / Sol / Spruce / Vale）が用意されていましたが、GPT-Live化にあわせてすべてリマスターされました。イントネーションや息継ぎのタイミングがより人間らしく調整されています。

音声の切り替えは、ChatGPTの設定 > 音声（Voice）から選択できます。会話中に変更した場合は、同じチャット内で新しい音声通話として反映されます。

便利な運用のコツ

日常的にGPT-Liveを使いこなすうえで、次のような使い分けを覚えておくと快適さが変わります。

• 「静かにして」と伝えるとGPT-Liveは黙って聞き役に回る（考えを口に出して整理したいときに便利）
• 「もう少しゆっくり」「もう少し丁寧に」「もう少し短く」といった話し方の調整が音声だけで指示できる
• 雑音の多い場所（電車内・カフェ）でも、ユーザーの声を優先して拾うようになり、環境音との切り分け精度が上がった
• 「今の話を要約して」「別の言い方で説明して」も従来どおり音声だけで通用する

Advanced Voice Modeで感じていた**「話しかけるタイミングを気にする」ストレス**が、GPT-Liveでは大幅に軽減されました。実務でよく使う人ほど、この変化は体感で分かるはずです。

---

GPT-Live-1・miniとプラン別デフォルト

GPT-Liveは、能力レベルの異なる2つのモデルで構成されています。ここでは各モデルの位置づけと、どのプランでどちらがデフォルトになるかを整理します。

GPT-Live-1とGPT-Live-1 miniの位置づけ

以下の表で、2つのモデルの位置づけを整理しました。

モデル	想定用途	デフォルト対象プラン
GPT-Live-1	フルスペックの会話・深い推論・幅広い言語対応	Go / Plus / Pro
GPT-Live-1 mini	軽量・高速・コスト効率重視	Free

2つのモデルの違いは、フルデュプレックス構造とデリゲート機能という核となる設計は共通で、モデルサイズと推論深度が異なる、という関係です。

Free枠ではmini版が採用されているものの、Advanced Voice Modeから見れば大幅な体験向上になっているため、無料ユーザーであっても新しい会話体験の恩恵は受けられます。なおBusiness / Enterprise / Eduワークスペースは、ローンチ時点ではGPT-Live未対応で、既存の音声モードが継続提供されます。

プラン別のデフォルト割当と料金

ChatGPTのプラン自体はGPT-Liveリリースに伴う料金変更はありません。プラン料金は据え置きで、音声モデルだけがGPT-Liveに置き換わる形です。

以下の表で、プラン別のデフォルトモデルと月額料金を整理しました。

プラン	月額料金（税抜）	デフォルトモデル	備考
Free	$0	GPT-Live-1 mini	GPT-Live-1 miniを試せるが、メッセージ・アップロード・画像生成・メモリなどに無料枠の上限あり
Go	$8	GPT-Live-1	Freeより多い回数の生成が可能
Plus	$20	GPT-Live-1	個人利用の標準プラン
Pro	$100〜$200	GPT-Live-1	Plusの5〜20倍の使用量上限
Business / Enterprise / Edu	─	ローンチ時未対応	既存Advanced Voice Modeを継続利用

この価格帯から読み取れるのは、GPT-Liveはconsumer 4プランのいずれでもプラン料金の付加サービスではなく、既存プランのボリューム内で使える標準機能として組み込まれた点です。

無料でも触れる状況になっているため、業務用途を検討する担当者はまず個人のFreeプランで体験してからPlus・Proの導入判断に進むのが現実的です。法人ワークスペース（Business / Enterprise / Edu）でGPT-Liveが必要な場合は、対応が始まるまで待つか、担当者個人のPlus/Proアカウントで先行検証する形になります。

ロールアウト状況（2026年7月時点）

GPT-Liveは、2026年7月8日の発表から段階的にロールアウトされています。対象アカウントへの展開には数日を要すると発表されており、モバイルアプリを最新に更新した後もしばらく反映を待つ場合があります。

地域・ワークスペース設定・アプリバージョンによって可用性が異なる点にも留意してください。

もし音声モードを起動しても「まだAdvanced Voice Modeのままかも」と感じる場合は、アプリ再起動やログイン再取得を試すと切り替わることがあります。

---

GPT-Liveのベンチマーク性能——Advanced Voice Modeからの飛躍

GPT-Liveの性能は、OpenAIが公表したAdvanced Voice Mode（AVM）との比較評価で示されています。

数値だけを見ても差は大きいですが、より重要なのは「音声で扱いたいタスク種別ごとに、どの程度の精度差が出るか」という点です。

なお本セクションで整理する数値は、OpenAI公式のIntroducing GPT-Liveページ内のグラフ・表として公表されている値です。安全性評価・セーフガードの詳細はGPT-Live System Cardにまとまっており、本文ベンチの詳細条件はSystem Cardには含まれない点に留意してください。

Pairwise Preferenceで75.7%が優勢

OpenAIは、5〜10分の同一条件の会話を人間の評価者にペアで聞かせて「どちらが好ましいか」を選ばせるPairwise Preference（ペアワイズ会話選好）評価と、Flow of conversation・Pleasantnessという2つの7段階評価（Model Conversation Ratings／モデル会話評価）を実施しました。

以下は、OpenAI公式ページの数値をもとに日本語で再作成した図です。左がペアワイズ会話選好、右がモデル会話評価です。

AVMとのペアワイズ会話選好（左）と、Flow of conversation・Pleasantnessの平均評価（右）（データ出典：Introducing GPT-Live | OpenAI）

以下の表で、GPT-Live-1・GPT-Live-1 miniとAVMの選好度を整理しました。

比較対象	AVMより好ましいとされた割合
GPT-Live-1 vs AVM	75.7%
GPT-Live-1 mini vs AVM	69.2%

左のグラフでは、AVMを基準とした選好回答率（Preferred response rate）でGPT-Live-1が75.7%、GPT-Live-1 miniが69.2%、50%の同等ラインを大きく上回っている様子が読み取れます。

フルスペックのGPT-Live-1だけでなくmini版でもAVMに対して7割弱が選好しているという点は、Freeユーザーであってもmini版でAVM時代より会話体験が明確に良くなっていることを示しています。

右のグラフはFlow of conversation（会話の流れの自然さ）とPleasantness（心地よさ）を7段階で評価したもので、Flowが4.96・4.33・3.80（GPT-Live-1／GPT-Live-1 mini／AVMの順）、Pleasantnessが5.19・4.47・3.82と、いずれの指標でも順序が保たれています。

GPQA：科学推論で45.3%→84.2%

GPQA（Graduate-Level Google-Proof Q&A）は、生物・化学・物理の専門家レベルの科学的推論問題を測るベンチマークです。

以下の表で、AVMとGPT-Liveの各Reasoning Effortの正答率を整理しました。

モデル	正答率
AVM	45.3%
GPT-Live-1 mini	74.9%
GPT-Live-1（Instant）	76.5%
GPT-Live-1（Medium）	81.7%
GPT-Live-1（High）	84.2%

特に差が出るのはAVMからmini版への飛躍で、正答率が約30ポイント上がっています。

さらにInstant→Medium→Highと推論深度を上げるごとに数ポイントずつ積み増しされ、HighではAVMの約1.9倍の正答率に到達します。

専門的な質問を音声で受けるユースケース（研究者のアイデア壁打ち・技術トラブル対応・技術ドキュメントの読み解きなど）では、この差がそのまま実務価値につながります。

BrowseCompで0.7%→75.2%の飛躍

BrowseCompは、Web検索を含む「見つけにくい情報を探す」タスクを測るベンチマークです。

以下の表で、各モデルの成功率を整理しました。

モデル	成功率
AVM	0.7%
GPT-Live-1 mini	31.6%
GPT-Live-1（Instant）	35.1%
GPT-Live-1（Medium）	60.6%
GPT-Live-1（High）	75.2%

AVMの0.7%からGPT-Live-1 Highの75.2%への差は、Web検索を伴うエージェント的タスクにおける能力の質的変化を示しています。

音声で「〇〇について最新情報を調べて」と頼めるかどうかは、実務でのVoice AI活用範囲を大きく広げます。従来のAVMではほぼ機能していなかった領域が、GPT-Liveでは現実的な選択肢になった、という理解が近いです。

τ³-Voice Telecomでも安定してAVM超え

τ³-Voice Telecomは、通信キャリアのカスタマーサポートを模した多ターン対話タスクで、契約変更・料金明細確認・技術トラブル切り分けなどを音声で処理する能力を測ります。

GPT-Live-1の全レベルとGPT-Live-1 miniは、いずれもAVMを上回るタスク成功率を記録しています。とくにHighモードでは、実運用に近いマルチターン対話のシナリオでも、AVMとの差が定量的に確認できます。

ここまでのベンチマーク結果を通して見えるのは、GPT-Liveが「会話の自然さ」だけでなく、会話中に扱えるタスクの幅と深さでもAVMを大きく引き離しているという点です。

日常会話用途はもちろん、業務での音声アシスタント活用も、AVM時代とは前提が変わったと考えたほうがよいでしょう。

---

GPT-Liveのセーフティ設計

音声モデルは、テキストモデルとは異なるリスクを抱えます。声で相談することで感情的な依存が強まりやすい、会話が発話中に流れてしまうためリアルタイムに危険な出力を止める設計が要る、といった点です。

OpenAIはGPT-Liveのセーフティ設計を「音声ネイティブ」として一から作り直しています。

音声ネイティブの評価領域

GPT-Liveの安全評価は、テキストモデルで蓄積されたガードレールに加えて、以下の音声特有の観点を強化しています。

• 自傷・自殺
  音声で危機的な相談を受けたときに、テキストとは異なる支援フローに切り替える。専門家により確認されたクライシスヘルプラインへの誘導を音声で読み上げる
  
  

• 精神症状・躁状態
  繰り返しの妄想的な発話や躁的な口調に反応して、安易な同意を返さないよう訓練
  
  

• AIへの感情依存
  「あなたしか話し相手がいない」といった依存パターンを検出し、必要に応じてリアルな支援窓口の情報を提示
  
  

• 暴力・性的コンテンツ
  音声を通じたロールプレイでも、テキスト同様のポリシー違反を防ぐ

これらは合成音声を使ったシミュレーション評価と、内部専門家によるレッドチーミングの両方で検証されており、Advanced Voice Modeと同等以上の水準をほぼすべての領域で達成しています。

発話中に軌道修正できるリアルタイムセーフガード

テキストモデルと違い、音声モデルは発話がユーザーに届き始めてから止めるのが難しいという制約があります。GPT-Liveは、この課題に対応するため、発話しながら軌道修正できるセーフガードを組み込んでいます。

具体的には、モデルが応答を組み立てる過程で「これは安全でない出力になりそうだ」と検知した場合、途中で安全な文脈へ言い換えるか、追加のセーフティメッセージを差し込むか、ケースによっては会話自体を終了する、という3段階の介入が可能です。

特に自傷や自殺念慮に近いトピックが検出された場合は、リアルな支援窓口（例：日本のいのちの電話に相当するホットライン）を音声で案内し、その後の会話設計も引き締めます。

十代ユーザーへの追加保護

十代のユーザーに対しては、追加の保護策が設計されています。

• 年齢に応じた応答の調整（性的コンテンツ・過激な暴力表現の抑制）を訓練段階で組み込み
• 保護者はParental Controlsで、十代ユーザーの音声モード利用可否を切り替え可能
• 自傷や自殺の兆候が高い場合、リンク済みの保護者に通知が届く仕組みを追加

これらは、テキスト版ChatGPTと同水準の保護をGPT-Live側でも維持するための設計です。十代ユーザーがいる家庭では、Parental Controlsの設定を一度確認しておくことを推奨します。

声のなりすまし防止と実在人物の模倣制限

GPT-Liveは、予め用意された9種類の音声のみを使う設計になっています。ユーザーが録音した実在人物の声を模倣したり、任意のカスタム音声を作成することはできません。

これは、著名人の声を無断で真似た詐欺音声や、家族の声を装ったフィッシング詐欺への悪用を防ぐための設計です。

Voice Cloning系のツールが乱立するなかで、ChatGPT側はあくまで会話用の音声アシスタントという立ち位置を守る方針が続いています。

---

GPT-Liveの制限と、Advanced Voice Mode / Realtime APIの使い分け

GPT-Liveは大幅な体験改善を実現している一方で、現時点で対応していない機能もあります。用途によっては、Advanced Voice Modeを引き続き使うか、開発者向けのRealtime APIを選ぶのが正しい判断になります。

ここでは、想定される4つのシナリオごとに使い分けを整理します。

ローンチ時点の制限：videoと画面共有

GPT-Liveは、ChatGPTでの音声＋映像／画面共有機能に、ローンチ時点では対応していません。

Advanced Voice Modeでは、スマホのカメラを起動して目の前の物を見せながら会話したり、画面共有で「このボタンどう押せばいい？」と聞いたりできましたが、GPT-Liveではこれらの機能はまだ実装されていません。今後のアップデートで追加予定と発表されています。

そのため、映像や画面共有を伴う会話が業務上必要な場合は、引き続きAdvanced Voice Mode（レガシー版）を選ぶというルートが残されています。ChatGPT側で音声モードを切り替えるオプションから、レガシー版へ変更できます。

ローンチ時点で未対応のプラン・環境・機能

映像・画面共有以外にも、OpenAI Help Centerによれば以下の対象・環境・機能はGPT-Liveのローンチ時点で未対応です。

以下の表で、未対応の範囲を整理しました。

区分	対象	使い方
プラン	Business / Enterprise / Edu	Advanced Voice Modeを継続
環境	ChatGPT デスクトップアプリ	iOS / Android / ChatGPT.comを使う
会話種別	Temporary Chats（一時会話）	通常会話でGPT-Liveを利用
製品	Work・Codex・custom GPTs	Advanced Voice ModeやテキストUIを使う
機能	video / 画面共有	Advanced Voice Modeを継続
機能	ChatGPT Libraryからのファイル追加	手動アップロードで代替（アカウント依存）

この対応状況が示しているのは、GPT-Liveはまず個人ユーザーの標準音声モードとして先行投入され、業務ワークスペースやカスタムGPT環境への展開はその後、という段階的リリース設計になっている点です。

法人契約のワークスペース（Business / Enterprise / Edu）でGPT-Liveを使いたい場合、Advanced Voice Modeを継続利用しつつ、担当者個人のPlus/Proアカウントで先行検証しておくのが現実的です。

対応言語の非ネイティブアクセント

GPT-Liveは、ChatGPTで利用頻度の高い言語向けに最適化されています。ChatGPTの対応言語には日本語も含まれますが、GPT-Liveで日本語が最適化対象として明示されているわけではありません。言語によってはネイティブとは異なるアクセントや、流暢さのギャップが残る可能性があります。

日本語での実務利用は現時点でも十分に成立する水準ですが、方言や専門用語の多い業界会話では初期段階で違和感が出る可能性があります。OpenAIは言語ごとの改善を継続する方針で、今後のリリースで解消されていくと想定されます。

開発者向けはRealtime APIを使う

GPT-LiveはChatGPT製品側の音声モデルで、2026年7月時点でAPIは提供されていません。OpenAIはGPT-LiveをAPIへ「soon」提供予定と発表していますが、現時点で開発者・企業が自社サービスに音声AIを組み込むには、別ラインのRealtime APIを使います。

Realtime API側では、2026年5月にGPT-Realtime-2、2026年7月6日にはgpt-realtime-2.1およびgpt-realtime-2.1-miniがリリースされました。Realtime API changelogによれば、英数字認識・沈黙とノイズ処理・割り込み挙動の改善が主な変更点です。

以下の表で、ChatGPT製品側のGPT-LiveとAPI側のgpt-realtime-2.1の使い分けを整理しました。

用途	推奨ライン	理由
個人プランで音声会話したいユーザー	GPT-Live（ChatGPTアプリ）	追加開発不要でフルデュプレックス体験が得られる
法人担当者が個人のPlus/Proで先行検証したい場合	GPT-Live（個人アカウント）	ワークスペースはローンチ時未対応のため、個人アカウントで機能検証を進める
自社サービスに音声AIを組み込みたい開発者	gpt-realtime-2.1	Realtime API経由で低レイテンシの音声エージェント構築が可能
音声＋映像／画面共有が必要な会話	Advanced Voice Mode（レガシー）	映像対応が残っている唯一のルート
別言語のリアルタイム翻訳を音声で	ChatGPT内ならGPT-Live、APIで翻訳サービスを作るなら gpt-realtime-translate	翻訳専用モデルが別ライン提供されている

この使い分けが示すのは、OpenAIの音声戦略は製品側と開発者側で明確にラインを分けているという点です。

現時点で個人ChatGPTアカウントで音声会話するならGPT-Liveがデフォルトになりますが、ワークスペースへの全社配布はGPT-Liveがローンチ時未対応のため、当面はAdvanced Voice Modeを継続利用します。コールセンターや電話応答システムを自社で作るなら、APIレイヤーのgpt-realtime-2.1を検討する必要があります。

競合Voice AI：Gemini Liveとの棲み分け

GPT-Liveの最大の競合は、Google のGemini Liveです。両者の性格の違いを押さえておくと、選定時に迷いにくくなります。

• GPT-Liveは深い推論と会話フローの品質、幅広い業務タスクへの対応が強み。検索・メモリ・画像・ファイルアップロード・視覚カードなどChatGPT本体機能との連携が濃い（ただしcustom GPTs・Apps in ChatGPTはローンチ時未対応）
• Gemini Liveはビデオ入力・画面共有・Google Workspace連携が強み。Google Homeなど家電領域との統合も進んでいる

この差から見えるのは、GPT-Liveが「会話の深さ」を、Gemini Liveが「マルチモーダルの広さ」を軸にしていることです。

自社の使い方が「音声だけで深く考えたい」に近いならGPT-Live、「見せながら/共有しながら会話したい」に近いならGemini Live、と現時点では棲み分けが明確です。

---

GPT-Liveをどう業務に組み込むか——ケース別の判断軸

GPT-Liveの体験改善は個人利用でも実感できますが、業務組み込みの視点で見るときは、単に「使ってみて感触がよかった」で終わらせずに、どの業務でどう効くかを設計する必要があります。

ここでは、AI総研の導入支援経験から見えている、実務でGPT-Liveが効くシーンとそうでないシーンを整理します。

GPT-Liveが効きやすい業務シーン

以下の業務では、GPT-Liveのフルデュプレックス構造と会話継続性が明確な価値を生みます。

• コンタクトセンターの一次応答補助
  オペレータが顧客と会話しながら、GPT-Liveに「今の話の要点をまとめて」「関連する社内FAQを検索して」と音声で指示するサイドパイロット用途。フルデュプレックスなので顧客との会話を邪魔しない
  
  

• 営業ロールプレイと商談後の振り返り
  訓練中の営業担当が架空の顧客役をGPT-Liveに振って会話練習。商談録音の後に「顧客の懸念点は何だった？」を音声で振り返る使い方も相性が良い
  
  

• 語学学習・面接練習
  話しながら考える、途中で言い直す、間を置くといった学習者特有の動きに、AVM時代のようにイライラさせられずに済む。教育系サービスは大きな体験改善が見込める
  
  

• 移動中の情報インプット・アイデア出し
  車移動や通勤中に、企画の壁打ちや資料の要点確認を音声だけで進める用途。視覚カードで補完的な情報が並行表示されるため、両手を使わない状況でも情報密度が上がる

これらに共通するのは、「話し手が考えながら喋る/止まる場面が多い」ことと、「深い調査より即応と自然さを重視する」場面です。GPT-Liveの構造とほぼ完全に噛み合います。

GPT-Liveだけでは足りない業務

一方、以下のシーンでは、GPT-Live単体では業務要件を満たしにくく、他の選択肢との組み合わせが必要になります。

• 画面上の操作を見せながら教えてほしい
  video/画面共有非対応のため、現時点ではAdvanced Voice Modeレガシー版に切り替える必要がある
  
  

• 電話応答システムを自社で構築したい
  ChatGPT製品側のGPT-LiveはAPIが未提供のため、gpt-realtime-2.1を使ってRealtime API経由で構築するのが正しい選択
  
  

• 社内固有ドメインの厳密な質疑応答
  GPT-5.5でも社内ナレッジは知らないため、Copilot Studio・Glean・自社RAGなどのナレッジ基盤と組み合わせる必要がある。ナレッジ基盤の選び方は社内データのAI活用ガイドで詳しく整理している
  
  

• 高度なコンプライアンス要求のある金融・医療領域
  音声ログの保存要件、監査要件、感情依存リスク等を組織的にレビューする必要あり。ワークスペースのBusiness / Enterprise契約はローンチ時点でGPT-Live未対応のため、当面はAdvanced Voice Modeでセキュリティ設計を通しつつ、GPT-Liveのワークスペース対応開始待ちに切り替える判断が現実的

これらのケースでは、「GPT-Liveが最新だから」という理由だけで導入判断すると、後段の設計で詰まります。用途ごとに最適な音声レイヤーを選び分けるという発想が必要です。

---

音声・エージェント型AIを業務に定着させるには

GPT-Liveの体験は個人利用でも十分に価値がありますが、業務に落とすフェーズでは、単に「便利なツールを配布する」で終わってしまうケースが多いのが実情です。

AI総研の相談窓口でも、音声モードやエージェントを試したが業務ワークフローに組み込めないという悩みが増えています。ユースケース設計・権限統制・運用ルールの3点を最初にセットで詰めないと、PoCが「触ってみた」で止まってしまいます。

AI業務自動化ガイド（220ページ）では、PoCから全社展開までの進め方、部門別ユースケース、AI運用における統制・セキュリティのチェックポイントを1冊にまとめています。GPT-Liveの体験をきっかけに業務展開まで見据えるなら、まず設計の全体像から確認してみてください。

---

まとめ：GPT-Liveは"音声AI"を"会話AI"に押し上げた

GPT-Liveの登場によって、ChatGPTの音声体験は「電話越しに読み上げてもらう」段階から、「同僚と会話する」段階に一段近づきました。ここまでの内容を、各セクションの結論として再掲します。

• GPT-Liveは、OpenAIが2026年7月8日に発表した"聞きながら話す"フルデュプレックス型の新音声モデル
• Standard→Advanced Voice→GPT-Liveの3世代アーキテクチャで、ターン単位の限界を大幅に改善している
• 使い方は既存Advanced Voice Modeと同じ入口で、Reasoning Effortと視覚カード・9音声リマスターが新機能
• consumer 4プラン（Free / Go / Plus / Pro）で提供。Business / Enterprise / Eduはローンチ時未対応
• OpenAI公式ページで、選好度・会話フロー・自然さ・タスク遂行の各指標でAVMより優位と発表されている
• セーフティは音声ネイティブの評価と、発話中に軌道修正できるリアルタイムセーフガードを組み合わせた設計
• video / 画面共有 / デスクトップアプリはローンチ時未対応。開発者向けVoice AIはRealtime API側のgpt-realtime-2.1と使い分ける
• 業務組み込みは、個人プランで継続利用を確認してからPoC→本格展開に進む順序が現実的

音声AIは、ここ数年「試したけどイマイチだった」で止まっていた企業が多い領域ですが、GPT-Liveの水準はもう一度触ってみる価値がある節目に達しています。

まずは音声モードを開き、いつも文字で聞いていた質問を1つだけ声で投げてみるところから、次の判断材料は集められます。