OpenAI、音声対話AIの新モデル『gpt-realtime-2.1』を公開——応答の遅れを25%以上短縮、割り込みや雑音にも強く

OpenAIが、声でやり取りするAIアプリ向けの新しいモデル「gpt-realtime-2.1」と、その軽量版「gpt-realtime-2.1-mini」を、開発者向けAPIで公開しました。これは音声をそのまま聞いて話す“リアルタイム”タイプのモデルで、電話応対や音声アシスタントのように、待たされずテンポよく会話できることが売りです。

今回の目玉は応答の速さで、体感の遅さを表すp95レイテンシ（遅い方から数えて上位5%の待ち時間）が、これまでのリアルタイム音声モデルより少なくとも25%短くなりました。処理結果を賢く再利用する仕組み（キャッシュ）を改善したためです。さらに、英数字の聞き取り精度が上がり、沈黙や雑音の処理、話の途中で人が割り込んだときの対応も自然になりました。

加えて、推論の深さ（じっくり考えるか、素早く返すか）を用途に合わせて調整でき、外部ツールの呼び出しや指示への忠実さも強化されています。私たちに関係するのは、こうした土台の進化によって、日本語の音声アプリやサポート窓口の自動化、語学の会話練習アプリなどが、より速く自然に作れるようになる点です。

今回はあくまで開発者向けAPIの更新なので、一般の人がすぐ触るというより、今後こうしたモデルを使ったサービスの品質が上がっていくと考えるとよいでしょう。出典はOpenAIの開発者コミュニティ告知と、技術メディアMarkTechPost（7月6日付）です。