ChatGPTに向かって英語を話すと英語で返ってくる、という体験は1つの機能のように見える。
だが、それを作るための部品は「音を文字にする」「文字から返事を決める」「文字を音にする」の3つに分かれて公開されている。
しかも、その3つを直列につなぐ組み方と、1つのモデルに音声のまま扱わせる組み方が、別々のドキュメントとして並んでいる。
だから「音声で話すと何が起きているのか」は、どの組み方で作られているかによって答えが変わる。
この記事で読むのは、OpenAIが開発者向けに公開している音声の部品と、その組み方の仕様だ。
アプリの画面の裏側そのものではなく、同じ会社が公開しているドキュメントの記述だけを材料にする。
サービスの順位づけはしない。仕組みの話だけをする。
【結論】ChatGPTの音声は「3段の直列」か「1つのモデル」のどちらかで作られる
先に答えを置く。
OpenAIの Voice agents は、音声で話す仕組みの作り方を3つ並べ、それぞれの向き先を明記している。
| 作り方 | 公式が挙げる向き先 | なぜそれを選ぶか |
|---|---|---|
| GPT-Live | 別のバックエンドを持つ全二重（full duplex）の会話 | 既存のテキストの処理を残したまま、会話を続けながら裏側を独立して選べる |
| Realtime API | 音声・推論・ツール利用を1つのセッションで扱う | 1つのモデルが音声を解釈し、何をするか決め、音声で返す |
| Chained voice pipeline | 各段を自分で制御する | 途中のテキストを確認・加工でき、各部品を個別に差し替えられる |
⇒ 3段に分かれているのは「chained」の作り方で、Realtime APIの作り方では1つのモデルが音声のまま受けて音声のまま返す。
この違いは、英語学習の目線でそのまま意味が変わる。
途中のテキストが取り出せるかどうかで、添削や記録にできることが変わるからだ。
ChatGPTを作っている会社が公開している「音声の部品」は3つある
まず、部品の名前をはっきりさせる。
Voice agents の chained の節には、アプリが管理する3つの段がそのまま番号つきで書かれている。
- Speech-to-text＝声を文字にする段。
- The agent workflow itself＝返事を決める段。
- Text-to-speech＝文字を声にする段。
公式は、この道を選ぶ理由を「Use this path when each stage needs to be visible or replaceable」と説明している。
各段が「見える」か「差し替えられる」必要があるときに使う、という位置づけだ。
例として挙げられているのも、文字起こしを保存する、返事の前にポリシーの検査を走らせる、承認された答えになってから音声を作る、といった流れだ。
英語学習アプリが「あなたの発話ログ」を残せるのは、この形なら自然に説明がつく。
ChatGPTの音声を分解する①｜声を文字にする段は2種類ある
「録音ずみの音声」と「今まさに届いている音声」で、使うドキュメントが分かれている。
File transcription は「Use file transcription when you have a completed recording or a bounded audio request」と始まる。
そして、条件がはっきり書かれている。
| 項目 | 公式に書かれている内容 |
|---|---|
| 推奨モデル | gpt-transcribe（元の言語のまま録音を書き起こす用途で推奨） |
| ファイルサイズ | 最大 25 MB |
| 対応形式 | mp3 mp4 mpeg mpga m4a wav webm |
| 大きい録音 | 圧縮形式にするか、25 MB以下に分割する。文の途中で切ると文脈が失われ精度が下がるため避けるよう書かれている |
マイクから届き続ける音声には、別のガイドが指定されている。
File transcription は「For audio that is still arriving from a microphone, call, or media stream, use Realtime transcription」と案内している。
Realtime transcription は、「発話が届くにつれて文字の差分（transcript deltas）を返し、アプリが各ターンをコミットしたときに最終の文字起こしを返す」と説明している。
⇒ 話している最中に文字が出てくるのは「差分が届いている」状態で、確定した文字起こしはターンの区切りで来る。
接続の仕方も明記されていて、サーバー側の音声処理にはWebSocket、ブラウザの音声にはWebRTCが案内されている。
認識しにくい単語への手当ても用意されている。
公式は prompt を「improve recognition of names, acronyms, formatting, or recording-specific vocabulary」のために使うと説明し、有用な場面として固有名詞・専門用語・略語の正確な文字起こしや、句読点・大文字・フィラーの保持を挙げている。
ChatGPTの音声を分解する②｜返事を決める段は状態を持っていない
真ん中の段は、英会話の体験でいちばん誤解されている。
Conversation state には「While each text generation request is independent and stateless, you can still implement multi-turn conversations by providing additional messages as parameters to your text generation request」と書かれている。
1回1回の生成リクエストは独立していて、状態を持たない。
多ターンの会話は、過去のメッセージをもう一度渡すことで作る、という説明だ。
⇒ 前の話題を踏まえた返事が来るのは、記憶ではなく積み直しの結果である。
そして、積み直せる量には上限がある。
公式はコンテキストウィンドウを「the maximum number of tokens that can be used in a single request」と定義し、そこに入力・出力・推論のトークンが含まれると書いている。
さらに「Tokens generated in excess of the context window limit may be truncated in API responses」とある。
長く話し続けたときに噛み合わなくなる現象は、この天井の話として説明できる。
なお、状態を保つための仕組みも別に用意されている。
- Conversations API＝会話の状態を、独自の永続的な識別子を持つ長寿命オブジェクトとして保持する。
previous_response_id＝前の応答から続きをつなぐ。ただし「all previous input tokens for responses in the chain are billed as input tokens」と明記されている。- Compaction＝長くなった会話を圧縮するための、専用のガイドとエンドポイントが案内されている。
ChatGPTの音声を分解する③｜文字を声にする段は指示で演技が変わる
3段目は、英語学習では「手本の音」にあたる。
Text to speech は、speech エンドポイントが GPT-4o mini TTS モデルにもとづくと説明している。
注目すべきは、読み上げ方そのものを指示で動かせると書かれている点だ。
公式が挙げている制御できる要素は次のとおり。
- Accent（訛り）
- Emotional range（感情の幅）
- Intonation（抑揚）
- Impressions（口まね）
- Speed of speech（話す速さ）
- Tone（口調）
- Whispering（ささやき）
「ゆっくり読んで」が効くのは、この Speed of speech が制御対象として書かれているからだ。
声そのものも選べる。
Voice options の節には alloy ash ballad coral echo fable nova onyx sage shimmer verse marin cedar が並び、品質の面では marin か cedar が推奨されている。
そしてここに、英語学習者が読み落とせない一文がある。
「Voices are currently optimized for English.」
⇒ 声は英語向けに最適化されていると明記されている。英語の手本として聞くぶんには、設計の狙いと用途が一致している。
出力形式も選べて、既定は mp3、ほかに opus aac flac wav pcm が挙げられている。
公式は Opus を「For internet streaming and communication, low latency」、WAV を「suitable for low-latency applications to avoid decoding overhead」と説明している。
ChatGPTの3段が「1つ」になるとき｜speech-to-speechという組み方
3段の話をしたうえで、もう1つの組み方を見る必要がある。
Realtime API のガイドは、冒頭で「The model works directly with audio, maintains conversation state, and can call tools」と書いている。
モデルが音声を直接扱い、会話の状態を保ち、ツールを呼べる、という説明だ。
使いどころも明示されている。
「Use the Realtime API when the interaction should feel conversational and immediate. This is the best starting point for voice agents that need barge-in, low first-audio latency, natural turn taking, and realtime tool use.」
割り込み（barge-in）、最初の音までの遅さ、自然なターンの受け渡しが、選ぶ理由として並んでいる。
ブラウザでの流れも4段階で書かれている。
| 順 | 公式に書かれている手順 |
|---|---|
| 1 | アプリのサーバーが、Realtimeセッション用の一時的なクライアント シークレットを作る |
| 2 | フロントエンドが RealtimeSession を作る |
| 3 | セッションがブラウザではWebRTC、サーバーではWebSocketで接続する |
| 4 | エージェントがそのセッションの中で、音声のターン・ツール・割り込み・引き継ぎを扱う |
⇒ この組み方では、途中に「確定したテキスト」を置く工程が手順として現れない。
速さと自然さを取る代わりに、各段を覗き込める余地が減る、という交換になっている。
ChatGPTの音声で英語を練習するときに効いてくる仕様
ここまでの記述のうち、学習者にそのまま効くものを抜き出す。
| 気になること | 対応する公式の記述 |
|---|---|
| 言い終わる前に返事が始まる | ターン検出は VAD が担当し、既定の server_vad は沈黙の長さで区切る |
| 待ってほしい | semantic_vad は言葉の意味で発話の完了を判定し、eagerness を low にするとユーザーに時間をかけて話させる |
| 長く話すと噛み合わない | コンテキストウィンドウは1リクエストで使えるトークンの最大数で、超えた分は切り詰められうる |
| 手本の発音を細かく指定したい | TTSモデルは Accent・Intonation・Speed of speech などを指示で制御できると書かれている |
| 録音を後からまとめて文字にしたい | File transcription は最大25 MB。大きい録音は分割するが、文の途中では切らない |
どれも「AIの気分」ではなく、設定値か上限値として書かれているものだ。
言語の対応範囲についても、段ごとに書き方が違う。
文字起こし側では、gpt-transcribe に対して languages で想定する入力言語を渡せると説明され、ISO 639-1（en es fr など）や一部の ISO 639-3 コードが挙げられている。
公式は「The API rejects unsupported or incorrectly formatted language codes」とも書いている。
読み上げ側では「The TTS model generally follows the Whisper model in terms of language support」とされ、そのうえで声は英語向けに最適化されていると断られている。
ChatGPTの声にかかっている決まり｜AIの声だと伝える義務
仕様の話とは別に、使う側に課されている条件が1つある。
Text to speech のページには、利用規約にあたる注意が本文の冒頭近くに置かれている。
「Our usage policies require you to provide a clear disclosure to end users that the TTS voice they are hearing is AI-generated and not a human voice.」
聞いている声がAIによって生成されたものであり、人間の声ではないことを、エンドユーザーにはっきり伝えることが求められている。
⇒ 学習アプリで「AI講師」と明示されているのは、単なる説明ではなく条件に沿った表示だと読める。
声を新しく作る場合の条件も公開されている。
Custom voices の節は「Create an approved custom voice from a speaker’s consent recording and matching audio sample」と書かれており、話者の同意の録音と、それに対応する音声サンプルが前提になっている。
ChatGPTでの英会話に関するよくある質問
Q. ChatGPTで英語を話すとき、中では何段の処理が走っているのか。 A. 作り方による。Voice agents は「chained voice pipeline」を音声認識→エージェントの処理→音声合成の3段として説明し、Realtime API は1つのモデルが音声を解釈して音声で返す形として説明している。
Q. 話している最中に文字が出るのはなぜか。 A. Realtime transcription が「発話が届くにつれて文字の差分を返し、ターンをコミットしたときに最終の文字起こしを返す」と説明している挙動にあたる（出典）。
Q. 読み上げの速さや口調は指定できるのか。 A. TTSモデルについて、Accent・Emotional range・Intonation・Impressions・Speed of speech・Tone・Whispering を指示で制御できると公式に列挙されている。
Q. 録音した英語のスピーチを文字にしたい。制限はあるか。 A. File transcription はファイル最大25 MB、対応形式は mp3・mp4・mpeg・mpga・m4a・wav・webm と書かれている。大きい録音は分割するが、文の途中で切ると文脈が失われ精度が下がるため避けるよう案内されている。
Q. 前に話した内容を覚えているのはなぜか。 A. 覚えているのではない。公式は「each text generation request is independent and stateless」と書いており、多ターンの会話は過去のメッセージを渡し直して作ると説明している。
Q. AIの声だと分かるように書かれているのはなぜか。 A. 利用ポリシーが、聞いている声がAI生成であり人間の声ではないことを明確に開示するよう求めていると、Text to speech のページに明記されている。
まとめ｜ChatGPTの英会話は3つの部品と2つの組み方で説明できる
もう一度整理する。
- 公開されている音声の部品は音声認識・返事を決める段・音声合成の3つで、それぞれ別のドキュメントになっている。
- chained の作り方では3段が直列になり、途中のテキストを確認・加工できると公式が書いている。
- Realtime API の作り方では1つのモデルが音声を直接扱い、会話の状態を保ち、割り込みや自然なターンの受け渡しが狙いとして挙げられている。
- 返事の段は状態を持たない＝多ターンは過去のメッセージの渡し直しで作られ、コンテキストウィンドウという上限がある。
- 声は英語向けに最適化されていると明記され、同時にAI生成であることの開示が利用ポリシーで求められている。
⇒ 「ChatGPTで英会話できるか」ではなく、「自分が欲しいのは、途中のテキストか、それとも速さと自然さか」で見る。そこが決まれば、どちらの組み方で作られた道具を選ぶべきかも決まる。
※本記事の一次ソースはすべて2026-09-16に各公式ドキュメントで確認した。仕様は更新されるため、最新は各公式ドキュメントで確認してほしい。
Comments