OpenAI「GPT-5.6」と「GPT Live」を解説：性能・音声機能・両者の違い

AIは「チャット画面」から外へ出ようとしている

AIに仕事を頼むとき、私たちはいつまでキーボードで細かな指示を書き続けるのでしょうか。

OpenAIは2026年7月8日に新しい音声モデル「GPT Live」を発表し、その翌日の7月9日には高性能モデル群「GPT-5.6」の一般提供を発表しました。

一見すると、片方は音声機能、もう片方は大規模言語モデルの性能向上という別々のニュースに見えます。しかし、2つを合わせて見ると、OpenAIが描いているAIの使い方が見えてきます。

それは、人間が自然な会話で目的を伝え、AIが裏側で高度な推論、検索、ツール操作、資料作成などを進めるという形です。

GPT-5.6は複雑な仕事を進める「頭脳」、GPT Liveは人間とやり取りする「会話の入口」として位置づけられます。

GPT-5.6とは何か

GPT-5.6は、OpenAIが新たに一般提供を始めたフロンティアモデル群です。

モデルは用途とコストに応じて、次の3段階に分けられています。

• Sol：複雑で高度な仕事に向けた最上位モデル
• Terra：日常的な業務向けに性能とコストのバランスを取ったモデル
• Luna：大量処理やコスト重視の用途に向けたモデル

OpenAIは、GPT-5.6について、単純に多くの計算を使って性能を高めるのではなく、1トークンあたりから、より多くの有用な仕事を引き出すことを重視したと説明しています。

つまり、同じ予算でもより多くの作業を成功させる、あるいは従来と同等の結果を、より低い総コストで得ることを狙ったモデルです。

回答するAIから、作業を完了するAIへ

GPT-5.6で特に重視されているのが、複数の工程を含む実務です。

たとえば、資料を読み、Web上の情報を調べ、必要なツールを操作し、結果を確認したうえで、共有可能な文書やプレゼンテーションを作成する。こうした一連の流れを、できるだけ少ない指示で進める方向に強化されています。

対象はコーディングだけではありません。OpenAIは、プレゼンテーション、文書、スプレッドシート、フロントエンドデザイン、科学研究、サイバーセキュリティなどでの改善を説明しています。

特に資料作成では、参考ファイルのレイアウト、文字組み、余白、色、スライドマスターなどを読み取り、そのルールを新しい資料に反映する能力が向上したとされています。

複数のAIを並行して動かす「ultra」

さらに、高難度の作業に向けて「max」と「ultra」という設定も導入されました。

maxでは、モデルがより長い時間を使って複数の方法を検討し、確認や修正を行います。ultraでは、標準で4つのエージェントを並行して動かし、複数の作業を同時に進めて結果を統合します。

これは、1人の非常に優秀な担当者に仕事を任せるというより、調査担当、分析担当、検証担当、編集担当が同時に動くチームに近い考え方です。

GPT Liveは何を変えるのか

一方のGPT Liveは、ChatGPT Voiceを支える新しい音声モデルです。

従来の音声AIでは、基本的に人間が話し終わってからAIが返答していました。そのため、少し考えて黙っただけで話が終わったと判断されたり、AIが不自然なタイミングで割り込んだりすることがありました。

GPT Liveでは「フルデュプレックス」と呼ばれる構成を採用し、聞くことと話すことを同時に行います。

会話の最中に、話す、聞き続ける、少し待つ、割り込む、ツールを呼び出すといった判断を継続的に行うため、従来より人間同士の会話に近いテンポを目指しています。

利用者が考えている間は待ち、途中で質問されれば対応し、「少し黙って聞いていて」と頼まれれば聞くことに専念できます。周囲に交通音や別の会話がある場合にも、利用者の声へ集中する能力が改善されたと説明されています。

会話を止めずに、別のAIへ仕事を任せる

GPT Liveのもう一つの重要な特徴が、自然な会話と深い処理を分離していることです。

GPT Live自身は、すばやい受け答えや会話の流れを担当します。一方、Web検索、高度な推論、複数工程の作業が必要になった場合は、別のフロンティアモデルへ処理を委任します。

その作業が進んでいる間も、GPT Liveは利用者との会話を続けられます。

たとえば、旅行中に音声で店を探してもらいながら、別の話題について相談する。会議後に雑談を続けながら、裏側では議事録の整理とタスク抽出を進めてもらう。そうした使い方につながる設計です。

ただし、GPT Liveの発表記事では、提供開始時点で処理を委任するモデルはGPT-5.5と説明されています。新しいフロンティアモデルの登場に合わせて継続的に更新するとされていますが、GPT-5.6への切り替え時期は明記されていません。

GPT-5.6とGPT Liveを合わせると何が見えるのか

2つの発表から見えてくるのは、AIを1つのモデルとして考える時代から、役割の異なるモデルやツールを組み合わせる時代への移行です。

• 人間との自然なやり取りはGPT Liveが担当する
• 高度な推論や専門的な処理はフロンティアモデルが担当する
• 検索やファイル操作などは外部ツールが担当する
• 複雑な仕事は複数のエージェントが並行して進める
• 最後に結果を統合し、人間へ分かりやすく返す

この構成では、利用者が内部のモデル名や処理手順を細かく意識する必要はありません。

「来週の出張について調べて、候補を比較し、社内提出用の資料を作って」と話しかければ、AI側が必要な検索、分析、確認、資料作成を組み合わせる。OpenAIが示しているのは、そうした方向性だと考えられます。

日本の利用者や企業にどう関係するのか

一般ユーザーにとっては、スマートフォンを見続けなくてもAIを使える場面が増える可能性があります。

移動中の調査、料理中の確認、語学練習、予定の整理、長い資料の要約などを、音声で頼みやすくなります。視覚的な回答が必要な場合には、天気、株価、スポーツなどのカードを会話中に画面へ表示する機能も追加されています。

企業にとって注目されるのは、営業支援、カスタマーサポート、社内問い合わせ、現場作業、議事録作成などです。

特にキーボード操作が難しい現場では、自然な会話を入口として、裏側で社内データの検索や業務システムの操作を進める仕組みが考えられます。

中小企業でも、専門的なAIシステムを一から構築するのではなく、音声インターフェースと既存の業務ツールを組み合わせることで、利用の幅が広がる可能性があります。

少し慎重に見たい点

便利さが増すほど、確認方法の設計は重要になります。

音声では、画面上の文章ほど回答内容を見直しにくいため、固有名詞、金額、日時、契約条件などを聞き間違えたり、理解を誤ったりする可能性があります。

AIが検索やツール操作を自動で進める場合には、「どこまで実行してよいか」「最終操作の前に確認するか」といった権限設定も必要です。

また、OpenAIはGPT Liveを複数の言語向けに最適化していますが、言語によっては非ネイティブに聞こえるアクセントや流暢さの差が残ると説明しています。日本語での間の取り方や敬語、固有名詞の認識精度は、実際の利用を通じて確認したいポイントです。

まとめ

GPT-5.6は、調査、推論、コーディング、資料作成、コンピューター操作などを効率よく進めるための新しい「仕事の頭脳」です。

GPT Liveは、その能力へ自然な会話からアクセスするための「入口」です。

今回の2つの発表は、AIが単にチャット欄で回答を返す存在ではなく、利用者と会話しながら、裏側で複数のモデルやツールを動かす存在へ変わりつつあることを示しています。

今後の注目点は、GPT Liveの委任先にGPT-5.6がいつ、どのような形で組み込まれるのか、そして音声を使ったエージェント型の仕事が、日常や企業の現場でどこまで安全に実用化されるかです。