ChatGPTを手がけるOpenAIは、人の話を聞きながら同時に話すこともできる音声AIモデル「GPT-Live-1.1」を、ほかの会社や開発者が自分のアプリに組み込める「API(ソフト同士をつなぐ窓口)」で使えるようにした。AI専門メディアのSuperpower Dailyが11月19日に伝え、米The Defiantなども報じている。

文字起こしの正確さと話し方の安定を改善

Superpower Dailyによると、OpenAIはGPT-Live-1.1について、前の版の「GPT-Live-1」より文字起こしが正確になり、言語が変わってもなまりや声の調子がより一定に保たれると説明している。ただし、これらの改善は数字では示されておらず、開発者が比べられる性能や速さの公表値はまだない。

機能面では、話しながら少しずつ結果を返す「ストリーミング」と、外部のサービスを呼び出す「関数呼び出し」に対応する。一方で、決まった形式でデータを出力する機能、利用者が追加で学習させる「ファインチューニング」、画像や動画の入力には対応していない。GPT-Live-1とGPT-Live-1.1では、同時に使える会話の数の上限が別々に決められており、その上限は地域をまたいで共通にかかるため、乗り換える開発者は事前に確認が必要だという。

待機中は割安に、ただし推論は別料金

料金は具体的に示された。音声での会話は、会話が動いている時間1分あたり5セント。ブラウザなどで使われる通信方式「WebRTC」の条件を満たす会話では、モデルの処理を一時停止している間は1分あたり2セントに下がる。単に誰も話していない静かな時間というだけでは、安い料金の対象にならない。また、この音声の料金には、裏側で行う推論(考える処理)や道具の呼び出しは含まれず、開発者が別に支払う。どの場面で裏側の処理に仕事を回すかは開発者が選べる。

OpenAIは、モデルの安全性の説明書(システムカード)に新しい安全性の評価結果も加えた。いくつかの安全性テストで点数が上がったとしているが、テストはわざと難しく作ってあり、実際のアプリで危ない答えがどれくらいの頻度で出るかを予測するものではないとも説明している。評価は裏側への仕事の受け渡しを切った状態で行われており、受け渡しをするアプリの振る舞いは、裏側の仕組みの安全対策にも左右される。

ChatGPTの音声まわりでは、話しながら文字にする音声入力の強化も発表されたばかりだ(「ChatGPTの音声入力が「話しながら文字に」 10分の制限も撤廃、会議後のメモや移動中の長い口述に便利」)。電話の自動応答や語学学習、接客など、声で使うアプリづくりの選択肢がまた一つ広がった形だ。