Google のリアルタイム翻訳、OpenAI の全二重音声。その先に残る仕事とは

独自に制作した概念図です。自然な会話と役立つ記録は、互いを補う設計目標です。製品の公開段階や測定結果を示したものではありません。

最近の音声 AI の発表で楽しみなのは、とても身近な可能性です。自分の得意な言語で考えを最後まで話し、途中で説明を補いながら、無理なく会話に参加できること。翻訳を待つ時間も、発言前に頭の中で外国語の文を何度も練習する負担も減ります。その分、相手が本当に伝えたいことに注意を向けられます。

Google は 2026 年 6 月 9 日に Gemini 3.5 Live Translate を発表しました。OpenAI は 7 月 8 日に全二重方式の GPT-Live を ChatGPT に導入し、9 月 10 日には GPT-Live-1 を API で公開しました。それぞれ目的の異なる製品ですが、どちらも途切れにくい音声でのやり取りを目指しています。今回の OpenAI の発表は開発者向けの提供拡大であり、GPT-Live 自体の初公開ではありません。 Google の 6 月の発表 · OpenAI の 7 月の紹介 · OpenAI の 9 月の API 公開

私はこうした変化が、日常で言語の壁を意識する場面を減らしていくと考えています。同時に、その先の問いも重要になります。話しやすくなったあと、会話から得た価値をどう残すのか。議事録の整理、アイデアの共有、参考資料の保存は、その答えの一部です。

全二重音声は、会話の待ち時間を変える

全二重とは、システムが聞くことと話すことを同時に行えるという意味です。OpenAI の現行モデル文書は GPT-Live-1 をそう定義し、推論やツールの利用をバックエンドのエージェントに委ねる機能も説明しています。同時にやり取りできることと、翻訳が完全に正しいことは別の話です。 GPT-Live-1 公式文書・2026 年 9 月 11 日確認

AI が計画を説明している途中で、「お客様がいるのはメキシコシティではなくマドリードです」と訂正する場面を想像してください。使いやすい音声インターフェースなら、誤った前提で話し続ける前に訂正を受け止める必要があります。短い相づちと訂正、考えるための沈黙と発言の終了も区別しなければなりません。こうした小さな判断が会話の質を左右します。

従来の音声インターフェースでは、発言の順番が切り替わる感覚が強く出がちでした。話して、処理を待ち、回答を聞いて、もう一度話す。処理が速くなっても、システムが早合点して発言の終了を判断すると、会話はぎこちなくなります。全二重の設計は、すべての発話を閉じたメッセージとして扱わず、聞くことと話すことが重なる瞬間そのものを扱います。

限定的ながら、その意味を示す具体的な数値もあります。OpenAI によると、語学学習サービス Speak の初期評価では、従来の順番に話すシステムに比べ、学習者が考えている間に AI が話を遮るケースが約 80% 減りました。これは OpenAI が紹介したパートナー企業の評価で、すべての言語や環境で独立に確認された結果ではありません。また、測っているのは割り込みの挙動であり、翻訳精度が 80% 向上したという意味ではありません。 OpenAI の API 公開発表・2026 年 9 月 10 日

OpenAI が示したより広い数値も同じ方向を指しており、同じ限界を抱えています。OpenAI によると、GPT-Live-1 は沈黙、発言の順番交代、割り込み、相づちを評価する Full Duplex Bench で、GPT-Realtime-2.1 を 30 パーセントポイント上回りました。推論強度を中程度にした GPT-6 Astra と組み合わせると、Tau3 で 1 位になりました。Tau3 は音声による顧客サポートや銀行業務のタスクを Pass@1 で採点するもので、銀行知識に関する 97 件のタスクも含まれます。どちらも会話の挙動とタスク達成についての OpenAI 自身の評価であり、翻訳精度のスコアではありません。 OpenAI の評価概要・2026 年 9 月 10 日

第二言語で話す人にとって、言葉を探す短い沈黙は参加を難しくする瞬間でもあります。適切に待てる AI は、考える余裕を残してくれます。途中の訂正を受け入れる AI は、まず話してみる負担を減らします。流暢なデモの印象を超えて、自然な音声対話に期待できる実用的な理由です。

概念的な時間の流れを示しています。棒の長さは実測の遅延ではありません。全二重は同時の入出力を表し、割り込みを適切に扱えるかはモデルとアプリの実装にも左右されます。

リアルタイム通訳と対話型 AI は役割が違う

Google の 6 月の発表は、70 を超える言語で連続的に音声を翻訳する仕組みを説明しています。モデルは原音を聞きながら訳した音声を生成し、文脈を待つ必要と話し手に追いつく必要の間でバランスを取ります。Google は数秒遅れて追従すると説明しており、遅延ゼロを期待するより現実的な基準です。開発者向けの公開形態はパブリックプレビューでした。 Google の公開発表・2026 年 6 月 9 日

この発表に含まれる規模の数値は具体的です。Google Meet の音声翻訳は、対応言語が 5 から 70 以上に広がり、英語との間でしか訳せなかった仕組みから、一つの会議で 2,000 を超える言語の組み合わせに対応する形へ変わります。まず一部のビジネス向け Workspace 顧客を対象としたプライベートプレビューとして始まり、2026 年後半により広く展開される予定です。Grab はドライバーと旅行者の合流にこのモデルを試しており、この用途の音声通話は月に 1,000 万件を超えます。発表では品質、精度、低遅延を評価するパートナーの声が紹介されていますが、数値のスコアは公表されていません。 Google の公開発表の数値・2026 年 6 月 9 日

ここでは役割を明確にしておく必要があります。Google の Live Translation ガイドが説明するのは、音声を連続処理する通訳機能です。翻訳専用の設定を使い、ツールや一般的な指示には対応しません。一方、GPT-Live-1 は別のエージェントと連携できる対話モデルです。前者は話し手の意味を別の言語へ伝え、後者は会話に参加するため、そのまま置き換えられるサービスとしては扱えません。 Google Live Translation ガイド・2026 年 9 月 11 日確認 · OpenAI モデル文書・同日確認

提供範囲は上記の三つの公式発表に基づきます。これは発表の時系列であり、性能ランキングではありません。

二つの流れを合わせると、方向が見えてきます。翻訳は途切れにくくなり、AI とのやり取りも柔軟になっていくでしょう。それを信頼できる多言語会議の体験に仕上げるのは、引き続きアプリ側の仕事です。誰の音声を通訳するか、結果をどこへ届けるか、訂正をどう扱うか、参加者に何を表示するかを設計する必要があります。

公開された数値は 1 分 $0.05、精度のスコアはない

GPT-Live-1 の音声は API で 1 分あたり $0.05 です。課金は秒単位で、1 分単位への切り上げはありません。この価格の対象はフロントエンドの音声レイヤーだけで、セッションが処理を委ねるバックエンドのモデルやツールは、それぞれ通常の料金で別途課金されます。 OpenAI モデル文書・2026 年 9 月 11 日確認

計算は簡単ですが、読み違えやすくもあります。30 分のセッションは音声レイヤーだけで $1.50、1 時間なら $3.00、月 100 時間使えばバックエンドの推論を加える前の時点で $300 になります。会議の参加者ごとに別のセッションを立てるアプリなら、これらの金額にセッション数を掛ける必要があります。Google の 6 月の発表には Gemini 3.5 Live Translate の価格が記載されていないため、この記事では両者をコストで比較しません。

すべての数値はベンダーが発表したもので、この記事でリンクした発表と文書に基づきます。人による評価や言語ペアごとの自動指標のように、翻訳精度を数値で示すスコアは一つもありません。

この空白は、多言語会議のツールを選ぶ人にとって特に重要です。対話のベンチマークは、システムが適切に待ち、聞き取り、立て直せるかを教えてくれますが、英語の「Monday」が韓国語に訳されたあとも正しく月曜日のままだったかどうかまでは教えてくれません。OpenAI が 7 月に示した一部の言語での非ネイティブ的なアクセントへの注意書きと、Google が言語ペアごとのスコアを出していないことは、同じ実践的なルールにつながります。どちらかを判断の拠り所にする前に、チームが実際に使う言語ペアで試すことです。

言語の壁を低くする変化は、発言しやすさから始まる

30 分のプロジェクト会議に四人が参加し、それぞれが最も得意とする言語は三種類あると仮定します。音声翻訳の改善がもたらす価値は、聞き取れる言葉の量だけではありません。曖昧な点が誤解になる前に質問でき、まだ整理できていない考えも外国語の完成した文に直してから話す必要がなくなります。

参加するために必要な労力が小さくなるのです。関連する経験があっても黙って聞いていた人に、発言のきっかけが生まれます。進行役も、途中で切れた発言を補い直す時間を減らせます。全員が話題を覚えているうちに、必要な確認を行えるようになります。

私は、遠隔チームの協業、授業の議論、顧客との対話、旅行中の日常会話で、この変化が意味を持つと考えています。技術が役立つ場面への期待であり、誰もがすでに同じ体験を得られるという主張ではありません。実際の結果は、言語の組み合わせ、訛り、語彙、マイクの品質、製品の設計にも依存します。

自然に聞こえる声は、意味の正確さとは分けて評価する必要があります。OpenAI は 7 月の紹介で、一部の言語には非母語話者のようなアクセントや流暢さの課題があり得ると明記しました。滑らかな英語のデモから全言語の品質を推測せず、実際に使う言語で確かめるべき理由です。ただし、これは公開時の説明であり、9 月のすべての導入環境に対する最新評価ではありません。 OpenAI の GPT-Live 紹介と言語に関する説明・2026 年 7 月 8 日

目指したいのは、参加しやすさと確認しやすさが両立する会話です。日付、金額、人名、条件付きの約束は、あとから確かめやすくあるべきです。AI が自信のある口調で話していても、「その文を文字で見せてください」と言いたい場面はあります。テキストを表示し、参加者が録音に同意した場合には原資料を残すことで、その確認に応えられます。

会話が流暢になっても、決定を残す議事録は必要だ

先ほどの仮想の会議に戻りましょう。誰かが「セキュリティレビューが終われば金曜日に公開できます」と提案します。別の人は、サポートチームの準備時間を考えると月曜日がよいと言います。最終的に月曜日を選び、担当者を決めましたが、前提条件が一つ未解決のまま残りました。最初の金曜日だけを記録した要約では、会議の結論を取り逃がしています。

会話のテンポがよくなっても、提案、条件、決定の違いはなくなりません。同じ言語で働く人たちも、もともとそれらを区別する必要があります。多言語のやり取りでは、元の発言から訳文を経て、最終的な合意に至るつながりを残す価値がさらに高まります。

実用的な議事録なら、欠席した人も三つのことをすぐ見つけられるべきだと考えます。何を決めたのか、次の行動を誰が担うのか、未解決の問いは何か。期限を合意済みと書いてよいのは、本当に合意した場合だけです。元の発言が曖昧なら、その不確かさも残す必要があります。文章を整えるために、存在しない結論を補ってはいけません。

すべての会話を漏れなく保存する必要がある、という話ではありません。区別なく続く長い文字起こしより、短い決定メモの方が役立つ場合もあります。重要なのは簡潔な説明と根拠のつながりです。該当する原文、利用可能で保存を許可された録音、会議で参照した文書が、その根拠になります。

つながりがあれば、間違いも修正しやすくなります。参加者は元の発言を示して要約を直し、訂正した決定を共有できます。それがなければ、次の人が要約をさらに要約し、最初の誤解を確定した事実のように扱うかもしれません。よい音声技術は今の対話を楽にし、よい記録は後日の確認を可能にします。

アイデアを共有するなら、その意味を生んだ出典も残す

役立つアイデアが一度の通話の中で生まれ、完結することは多くありません。記事を読み、一節を保存し、そこから生まれた疑問を会議へ持ち込む。別の人が動画や論文から反例を加える。会話のあとも、これらを結び直せてこそ次の仕事を進められます。

音声 AI が優秀になっても、ウェブ資料の保存が必要なのはそのためです。URL は出典へ戻る道を残し、選択した文章は重要だった箇所を示します。短い自分のメモは、なぜ保存したのかを説明します。それぞれ役割が違う情報を一緒にしておけば、AI が生成した一段落だけを転送するより、アイデアを丁寧に共有できます。

たとえば「新規ユーザー向けの案内を変えたい」だけでは、次の人が議論を引き継ぎにくいでしょう。「この記事で最初の五分間の体験に疑問を持ちました。該当箇所、私たちの議論、試すと決めた実験を見てください」なら、検討できる根拠があります。仮の例ですが、違いは明確です。結論だけでなく考え方と出典まで示すことが、その先の対話を支えます。

同じ姿勢は、原資料と解説が混ざってしまうことも防ぎます。引用は引用だとわかる形で残す必要があります。翻訳は原資料を別の言語で解釈したもので、会議の要約はさらに整理したものです。それぞれの役割を見えるようにすれば、最初に誰が何を言ったのかを再構成する手間をかけずに、建設的な意見交換ができます。

独自に提案する作業の流れです。許可された原資料を保ち、派生テキストを修正可能にし、共有時も出典とのつながりを残します。すべてが現在自動化されているという意味ではありません。

通話後も文脈を引き継ぐ仕事が残る

音声システムでは、会話とその裏で行う作業を分ける流れも進んでいます。OpenAI の委任に関する文書では、音声対話と委任された作業は独立して進められ、バックエンドの応答が完了しても、ユーザーが答えを聞いたとは限らないと説明されています。これは製品設計にも通じる重要な区別です。口頭での体験と、実際に残った成果は、それぞれ確認する必要があります。 OpenAI の委任ガイド・2026 年 9 月 11 日確認

日常的に使う人にとって、問いはもっと簡単です。通話が終わったあと、明日も決定を見つけられるでしょうか。同僚はその理由を理解できるでしょうか。チャット履歴、ブラウザー、録音を探し回らずに、考えを変えるきっかけになった記事へ戻れるでしょうか。すべての文が見事に通訳されても、これらの問いは残ります。

言語の壁が今ほど大きな問題ではなくなる未来に、期待する理由は十分あります。より多くの人が気負わず参加できる道具を歓迎したいと思います。私は、話しやすくなるほど、話した内容を保存、共有、実際の行動へ結びつける価値が高まると考えています。会議そのものが永遠に残る必要はありません。その有用な成果が、通話後も生きていればよいのです。

---

Telli.sh が進みたい方向

Telli.sh が目指すのも、会話や発見を、あとから使える知識として残すことです。現在はノート、録音、翻訳、Clip を一つのワークスペースに集めています。これからは資料どうしのつながりを強め、議事録とアイデア、その出典が再びばらばらにならないようにしていきたいと考えています。

作業が自然につながる体験を目指します。許可された会話を記録し、重要な点を見直し、決定を理解しやすく整え、根拠とともにアイデアを共有する。ウェブページが議論の出発点なら、Clip は URL とユーザーが保存すると決めた文脈を残す助けになるべきです。翻訳で理解を助けた場合も、比較や訂正に使える原文を保つ必要があります。

これは製品の方向性であり、Telli.sh が GPT-Live-1 や Gemini 3.5 Live Translate をすでに統合したという発表ではありません。今後の音声技術の導入では、多言語での実用性、信頼できる記録、保存範囲に対する明確なユーザーの管理を重視します。基盤モデルの進歩でワークスペースを便利にしながら、個人の知識が特定のモデル一つに依存しないことを目指します。

異なる言語でも話しやすくなるほど、その会話の価値が長く残るよう支えたいと考えています。覚えておきたい会議、共有したいアイデア、また使うはずの資料。その一つから始めてみてください。

Telli.sh のワークスペースを作り、大切な内容を残す