GPT-LiveとGemini Live APIとは？音声で会話するAIの仕組み
D-aerial
2026/8/20
3分で読める
音声AIには、人の声を受け取り、声で答える仕組みがあります。ここではOpenAIのGPT-LiveとGoogleのGemini Live APIについて、公式資料で説明されている機能を紹介します。
GPT-Liveは聞きながら話せる
OpenAIが2026年8月3日に公開した技術解説によると、GPT-Liveは音声を受け取りながら、同時に音声を返せます。この仕組みを「全二重」と呼びます。
従来の方式では、利用者が話し終えたかどうかを判定してから回答の処理を始めていました。GPT-Liveでは音声を連続して扱い、会話を進めます。
複雑な処理は別のモデルへ任せる
GPT-Liveは、より深い推論やツールの利用が必要なとき、別のモデルへ処理を依頼できます。音声を送受信する経路と、依頼した処理を進める経路を分ける設計です。
同解説はChatGPT Voiceで使われる仕組みを説明しています。GPT-Live APIについては、その記事の公開時点では今後の提供予定と記載されていました。これは現在のAPI提供状況を示す記述ではありません。
Gemini Live APIでできること
APIは、開発者が自分のアプリからAIの機能を呼び出すための接続口です。GoogleのGemini Live APIは、連続して送られる音声・画像・テキストを処理し、音声で応答します。
- AIが話している途中でも、利用者が割り込める
- 関数呼び出しやGoogle検索などのツールを組み合わせられる
- 利用者とAIの発言を文字に起こせる
2026年9月13日に確認した公式概要では、Live APIはプレビューと案内されています。また、利用者のアプリから直接接続する本番環境では、通常のAPIキーの代わりに短期間だけ有効なトークンを使うことをGoogleが推奨しています。
参照URL
情報確認日：2026年9月13日。公式説明の要約です。見出し画像はAI生成のイメージです。
