Voice Agent · HeyGen × OpenAI
アバターが、
人の話を遮って喋り出した。
HeyGenの映像アバター「LiveAvatar」に、OpenAIの新しい音声モデルGPT-Live-1が組み込まれた。聞きながら話す・割り込みに反応するという「対話の間合い」を持つ音声を、両社は実装ごとオープンソースで公開した。台本を読み上げるだけだったアバターが、次にどう変わるのかを追う。
The Release
2日間で起きた
2つの発表
まず2026年9月10日、OpenAIはAPI向けの新モデル「GPT-Live-1」を公開した。特徴は全二重（フルデュプレックス）の音声対話——話しながら相手の発話を聞き取り、相槌や割り込みにその場で反応できる。料金は1分あたり0.05ドル、12種類の音声、電話回線（テレフォニー）対応、より安定した指示追従性能を備える。
翌9月11日、映像アバター企業のHeyGenはこのGPT-Live-1をLiveAvatarに統合したと発表。公式Xアカウントは「リアルタイムAI体験は解決され、そしてオープンソース化された。OpenAIと密に協力し、GPT-Live-1・LiveAvatar・HyperFramesを組み合わせた最良のフレームワークを作った」と投稿し、実装をまるごとリポジトリで公開した。単なる技術提携の発表ではなく、動く実装コードを無償公開した点が今回の踏み込みどころだ。
公開されたリポジトリ heygen-com/liveavatar-gpt-live-demos はMITライセンス（同梱のGSAPのみ別ライセンス）で、標準搭載のデモは日本語の language tutor（語学講師）。単語を音声で教えながら、その語彙・発音・意味を記したカードを画面に表示し、数語ごとに画面の隅に縮小してそれまでの学習内容を振り返る、という挙動をする。
中身の設計
「アバターの声」と「アバターの脳」を分業させている。
リポジトリの実装解説によれば、通信は音声用と制御用で分かれている。マイク音声はWebSocketでGPT-Live-1（内部仕様上は「GPT-Live v3」、モデルIDはgpt-live-1）へ上り、文字起こしや画面表示の指示は同じ経路を下りで戻ってくる。音声データそのものはブラウザを経由せずメディアサーバーとやり取りする設計になっており、素の実装をそのままフォークして動かせるよう、フレームワーク的な抽象化はあえて避けたと説明されている。
Who It Changes
誰に、どう効くか
エンジニア
MITライセンスの参照実装がそのまま手に入るため、自社サービスへの組み込みコストが大きく下がる。Node 20.12以上・pnpm・両社のAPIキーがあれば、フォークして改造を始められる。
デザイナー・マーケター
接客デモやライブ配信の相手役として、原稿を読ませるのではなく実際の会話をこなすアバターを試作できる。ただし12種の音声・日本語チューター止まりの公式デモから、自社ユースケース向けに調整する作業は残る。
台本前提の制作勢
販促動画のように台本を読み上げるだけで完結する用途では、全二重対話の恩恵はほぼない。既存のワークフローを変える必要は薄い。
Next / Risks
次に来るもの、引っかかる点
次に何が起きるか—— 実装がMITで公開された以上、他の映像アバター企業や自社サービスへの移植は時間の問題だろう。$0.05/分という価格が示す通り、長時間の常時稼働窓口（受付・コールセンター的用途）での採算ラインが今後の争点になる。まずは自社の想定通話時間でコストを試算し、既存の音声応答システムと比較することを推奨したい。
反対視点・リスク—— ただし公開リポジトリの説明を見る限り、音声そのものはGPT-Live-1が担い、画面に何を表示するかの判断は別のバックエンドモデルに委譲する構成になっている。つまり対話が自然になるほど、裏側の判断ミス（誤った情報をそれらしく話す）は利用者から見えにくくなる。接客・教育用途で導入する場合は、事実確認の仕組みを対話の外側に別途用意する必要がある。