多言語の発音と文字起こしを改良

米OpenAIは11月19日(日本時間20日)、音声モデル「GPT-Live-1.1」を開発者向けAPIで公開した。APIの変更履歴は、多言語の音声会話で発音、アクセントの一貫性、文字起こしを改良したと説明している。開発者向けのアカウント「@OpenAIDevs」がXで告知した。

GPT-Liveは、利用者の話を聞きながら同時に話せる音声モデルだ。OpenAIは7月にChatGPTに搭載し、9月10日(日本時間11日)に初代の「GPT-Live-1」をAPIで公開した。ChatGPTでは10月15日に1.1への切り替えが報じられており、今回は同じ番号のモデルが外部の開発者にも開放された形になった。

モデルの公式ページは、GPT-Live-1.1を「多言語の会話向けの音声モデル」と位置づける。GPT-Live-1と比べて文字起こしが正確になり、言語をまたいでもアクセントと声がより一貫するという。入力と出力は音声と文字で、画像と動画には対応しない。

変更履歴によると、開発者は既存の会話(セッション)の設定でモデル名を「gpt-live-1.1」に変えれば使える。裏側の別のモデルやツールにいつ処理を任せるかは、平易な言葉で書けばよいと案内している。

OpenAIは同じ日、地域ごとの話し方に合わせる指示の書き方を開発者ブログで公開した。内蔵の声の一覧には、日本語の「Harema」「Shida」や、ヒンディー語の「Nira」などが並ぶ。ブログの本文はGPT-Live-1.1に触れていない。

待機中は推論を止めて1分0.02ドル

同じ変更履歴で、会話のない間は推論を止め、誰かが話すと再開する「スタンバイ」を設定できるようにした。対象はGPT-Live-1とGPT-Live-1.1で、WebRTC方式の接続に限る。

ガイドによると、入力と出力の文字起こしがない状態が、5〜60秒の範囲で決めた秒数続くと待機に入る。待機中も接続と会話のIDは変わらず、利用者が話し始めると会話の履歴を戻して再開する。時間を指定しないと、最初に話しかけられた後は会話が終わるまで推論が続く。

モデルの公式ページでは、通常の料金が1分0.05ドルなのに対し、待機中は1分0.02ドルだ。接続したまま利用者の発話を待つ時間は、通常より1分0.03ドル安くなる。

一方で、ガイドは待機の後、短い発話への最初の応答に時間がかかる場合があると注意している。待機の間もマイクの音声は送り続ける必要がある。長く使わない間は、会話を閉じて利用者が戻ったときに新しく始める方法も案内している。

性能の数値は示さず、信頼性の改善は未確認

GPT-Live-1.1のモデルページは、性能と速度の欄を「Not specified」(明示なし)としている。文字起こしの正確さやアクセントの一貫性がどれだけ良くなったかの数値やベンチマークは、11月21日時点の公式資料に見当たらない。

ORIENSが巡回で記録した告知の要旨には「タスク完了の信頼性向上」が含まれていた。ただ、変更履歴、モデルページ、ガイドに同じ趣旨の記載はなく、ORIENSは確かめられていない。元の投稿は本文を確認できていない。

同時に開ける会話の数の上限は、GPT-Live-1とGPT-Live-1.1で別々に数える。GPT-Live-1は利用の段階に応じて50〜500で、無料の段階では使えない。1.1のページには具体的な数値がない。

料金はGPT-Live-1と同じ、他社より1分0.03ドル安く

GPT-Live-1.1の料金は、会話の時間に応じた課金で、通常は1分0.05ドル、待機中は1分0.02ドルだ。GPT-Live-1も通常1分0.05ドル、待機中1分0.02ドルで、改良版への切り替えで料金は上がらない。裏側で別のモデルやツールを呼ぶと、その分の料金が別にかかる。

ORIENSが11月5日時点で調べた他社の音声エージェント向けモデルの料金と比べると、SpaceXAI(旧xAI)の「Grok Voice 3.0」と米ElevenLabsの「Eleven Realtime v1」の1分0.08ドルより0.03ドル安い。ただしElevenLabsは言語モデルのトークン料金を別に加えるなど、料金に含まれる範囲は各社で異なる。

音声エージェント向けモデルの通常時の音声1分あたりの料金。入力と出力を分けない時間課金で、待機中の料金、通信料、裏側のモデルの料金は含まない(OpenAIは11月21日時点の公式資料、他社は11月5日時点のORIENSの記事による)音声1分の料金(ドル)
0.05
OpenAIGPT-Live-1.1
0.05
OpenAIGPT-Live-1
0.08
xAIGrok Voice 3.0
0.08
ElevenLabsEleven Realtime v1