ChatGPTボイス

OpenAIがChatGPTに搭載したリアルタイム音声対話インターフェースで、GPT-4oベースのアドバンスドボイスモードへと進化したAI音声アシスタント機能である。

ChatGPTボイス

概要

ChatGPTボイス（ChatGPT Voice）は、OpenAI（オープンAI）がChatGPTに搭載したリアルタイム音声対話機能である。ユーザーがマイクに向かって自然言語で話すと、音声を認識して意味を理解し、人間に近い抑揚・速度・感情表現で即座に音声応答を返す。2023年にモバイルアプリの音声モードとして初めて広く普及し、2024年にGPT-4oベースの「アドバンスドボイスモード（Advanced Voice Mode）」へと再設計されたことで、AI音声インターフェースの事実上の標準事例としての地位を確立した。

主な内容

登場の背景

従来の音声アシスタント（Siri、Alexa、Googleアシスタント）は決められたコマンドを処理する方式であり、会話の文脈を継続させたり感情をやり取りしたりするのには限界があった。OpenAIは2022年末のChatGPT公開以降、テキスト対話の自然さを音声へと拡張することを目標とした。2023年9月にiOS・Androidアプリへ音声モードが追加され、これは音声認識（Whisper）→言語モデル（GPT-3.5/4）→音声合成（TTS）を順次接続したパイプライン構造であった。応答遅延が長く感情表現が乏しいという評価が続いたため、OpenAIは構造そのものを変える再設計に着手した。

アドバンスドボイスモード

2024年5月に公開されたGPT-4oは、テキスト・画像・音声を単一のモデルで直接処理するオムニモーダルモデルである。アドバンスドボイスモードは、音声をテキストに変換してから再び音声に合成する3段階の過程を経ず、音声トークンをモデルが直接理解し生成する。これにより平均応答遅延が数百ミリ秒水準まで短縮され、発話の遮り（インタラプト）処理、笑い・ため息といった非言語的反応、話し方や感情の微妙な調整が可能になった。2024年7月にPlus利用者を対象としたアルファ配布を経て9月に正式リリースされ、その後は無料利用者やTeam・Enterprise料金プランへも拡大された。

音声の種類と特徴

初期の音声モードではBreeze、Cove、Ember、Juniper、Skyなど複数の音声が提供されていたが、2024年5月に「Sky」の音声が映画『Her』の女優スカーレット・ヨハンソンの声に似ているという論争の末に使用が停止された。その後、アドバンスドボイスモードではArbor、Maple、Sol、Spruce、Valeなど新しい音声セットが導入された。各音声はトーンと話す速度が異なり、ユーザーは設定で自由に切り替えられる。

主な機能

リアルタイム対話：割り込み、沈黙、聞き返しなど、人同士の会話に近い相互作用をサポートする。
多言語対応：英語を含め、韓国語、日本語、中国語、スペイン語、フランス語など複数の言語で会話し翻訳できる。
文脈の維持：カスタム指示（Custom Instructions）とメモリが音声対話にも適用され、以前の会話内容を記憶する。
マルチモーダル拡張：カメラと画面共有を組み合わせ、物を見せて説明を聞いたり問題の解決を求めたりできる。
感情認識：声の抑揚と速度から話者の感情状態を推論し、応答のトーンを調整する。

活用事例

外国語会話の練習、移動中の情報検索、視覚障害者など画面へのアクセスが難しい利用者の情報アクセシビリティ向上、運転・料理など両手が自由にならない状況でのハンズフリー利用、顧客対応プロトタイプの作成などが代表例である。開発者にはリアルタイムAPI（gpt-realtime系）として開放され、コールセンターの自動化、AIチューター、コンパニオン型アプリなどに活用されている。

限界と論争

音声複製・ディープフェイクの悪用リスクが代表的な問題として挙げられる。実際に2024年の香港では、ディープフェイクのビデオ通話を用いた大規模な金融詐欺が発生した。また、人間がAI音声に情緒的に過度に依存する「愛着的使用」の問題や、過度に同調的な回答（シコファンシー）に対する批判も提起された。OpenAIは2025年に入り、情緒依存に関する安全研究を公開し、音声複製の防止に向けたウォーターマーキングと利用ポリシーを強化している。欧州連合ではAI法（AI Act）に基づき、AI生成音声に対する透明性表示義務が段階的に適用される。

ChatGPTボイス