ChatGPT Voiceの次世代 [動画]
本動画では、ChatGPT Voiceの次世代バージョンが紹介されています。より自然で流暢な対話、感情表現の向上、リアルタイムでの応答速度改善など、音声アシスタントとしての進化が実演されており、人間との会話により近い体験を提供することを目指しています。
背景メモ
OpenAIは2024年5月、ChatGPTの新音声対話機能「GPT-4o（オムニ）モード」を発表した。これは従来の音声アシスタントと異なり、テキスト・画像・音声を統合処理するマルチモーダルAIであり、ユーザーの口調や感情、会話の間（ま）まで認識して自然な対話ができる。デモでは、ユーザーがAIの話し方・声のトーンをリアルタイムで指示できる様子や、AIが呼吸音を入れて会話する自然な応答が披露された。この音声モードは数週間以内に有料ユーザーから順次ロールアウト予定。背景として、OpenAIは2023年9月にも音声対話機能を出していたが、それは複数のモデルをパイプライン接続した遅い方式だった。新機能は単一のニューラルネットが音声入力を直接処理するため、応答速度が飛躍的に向上し、感情表現も格段にリアルになった。この技術は音声アシスタント市場での競争（Google AssistantやAlexa対抗）と、AIとの人間らしいコミュニケーション実現における重要なマイルストーンと見られている。