Perplexity、音声モードにGPT-Live-1を導入：MacとWebの切り替えで実際に何が変わるのか

Perplexity の Mac アプリおよびウェブ上の音声モードは現在、GPT-Live-1という OpenAI の全二重音声モデルで動作しています。そして、この置き換えに伴う機能こそ、二度読む価値がある部分です。1回の音声セッションで、複数の Perplexity Computer セッションを同時に動かし、発話の途中で新しいタスクを開始し、キーボードに触れることなく Projects を作成・管理できます。この発表は2026年10月28日に Perplexity の @AskPerplexity アカウントから発信され、両方のサーフェスで有料の Pro および Max 加入者に適用されました。

それはモデル発表ではなく、流通イベントだ。GPT-Live-1は、OpenAIが2026年9月10日にAPIで提供を開始して以来、音声1分あたり0.05ドルで一般提供されており、7月8日からChatGPT Voiceでも利用可能だ。今週変わったのは、誰がそれを借りているか、そしてそれを何に向けているかだ。

なぜ音声モデルの交換は見出しに値するのか

音声インターフェースはかつて、各社の内部で組み立てられていた。文字起こしを購入し、自社の言語モデルを呼び出し、音声合成も購入したうえで、構築の難所であるターン検出に時間を費やしていた。ターン検出とは、ユーザーが話し終えた時点を決めるルールだ。多くの音声プロダクトがここで命を落とす。反応が早すぎるとエージェントが人の話に割り込み、遅すぎるとどの通話も国際電話の悪い回線のように感じられる。

GPT-Live-1はその継ぎ目を取り除きます。これは、生成しながら聞き取り、毎秒何度も話すか待つかを判断し、重い推論をバックグラウンドのテキストモデルに音声を止めることなく引き渡す、単一のモデルです。Perplexityはマルチセッション制御を機能させるために割り込みポリシーを構築する必要はなく、それを引き継ぎました。

自社の音声プロダクトを構築している読者にとって、実際的な帰結は率直です。これから自分で書くつもりだったターン・テイキング層は、今や借りて使うものになりました。それが割安かどうかは、エージェントが話す時間ではなく聞く時間に何分費やすかに完全に左右されます——契約する前に計算しておく価値のある問いです。課金メーターは、沈黙も含めたセッション全体で回るからです。

コンピューターの部分こそが本当の製品変更点です

モデルの切り替えはユーザーには見えません。複数セッションのComputer操作は違います。このアップデートまで、Perplexity Computerは画面上で監督する単一のエージェントループでした。新しい音声レイヤーにより、複数のバックグラウンドセッションが実行されている間も1つの会話を続け、そう言って新しいセッションを開始し、Projectsを名前で管理できます。これはチャットボットよりもディスパッチャーに近く、並列エージェントセッションを例外ではなくデフォルトとして扱う、私たちが見た初のコンシューマー向け音声インターフェースです。

ここでは3つの細部が効いています:

• 1つのセッション、多くのワーカー — 音声ターンは、現在のセッションを終了させることなく、複数のComputerセッションを扱うことができます。

• 音声によるタスク作成 — 会話の後ではなく、会話の途中で新しい作業をキューに追加できます。

• 名前によるプロジェクト管理 — プロジェクトは声に出して作成したり名前を変更したりできるオブジェクトになる。つまり、音声レイヤーは単に文字起こしするだけでなく、参照を解決する必要がある。

理論上、そのどれも全二重モデルを必要としない。それらすべては、全二重モデルがあればはるかに簡単になる。エージェントが8秒間沈黙してユーザーが待つことを願う代わりに、実際の作業を始めながら「うん」と要求に応答できるからだ。

Perplexityはv1と命名した。その後OpenAIはv1.1をリリースした。

発表で際立つ細部はバージョン文字列です。Perplexityは、自社の音声モードがGPT-Live-1で動作していると述べています。ChatGPT Voiceでは、OpenAIが2026年10月15日にGPT-Live-1.1の展開を開始しました。これは今回の切り替えの2週間前です。Perplexityは、1.1を評価したのか、安定性のために意図的にv1に固定しているのか、アップグレードが予定されているのかについては明らかにしていません。

それをスキャンダルではなく、通常のエンジニアリングとして解釈すべきだ。音声モデルを消費者向けアプリに統合するプラットフォームは、最新のチェックポイントよりも、予測可能なレイテンシを備えた固定スナップショットをはるかに重視する。そしてOpenAIは、1.1をドロップインで使えるようにする移行ガイドを公開していない。しかし、それは今日のPerplexityアプリのモデルが今日のChatGPTのモデルではないことを意味し、2つの音声体験の比較は異なる重みを測っていることになる。

Perplexityが語っていない経済学

OpenAI 自身のドキュメントには、このモデルの価格が1つだけ記載されています。音声1分あたり0.05ドルで、秒単位で請求され、切り上げは行われません。セッション初期化料として15秒分が請求されますが、これは後続の利用時間から差し引かれます。推論、ツール、ウェブ検索は別のテキストモデルで実行され、別途請求されます。Perplexity は定額サブスクリプションを販売しています。

これら二つの課金モデルは自然にはかみ合わない。週に2時間音声を使うMax加入者——複数のエージェントセッションをハンズフリーで操作できるようになったばかりの人にとっては珍しくない量——は、月におよそ520分を消費する。定価ベースでは、各Computerタスクの背後にある推論呼び出しを別にしても、音声だけで約26ドルになる。考えている間にセッションを開いたままにする加入者や、常時制御として実行し続ける加入者は、より多くのコストを負担する。無音も発話と同じ料金で課金されるからだ。

従量制の音声モデルを定額プランで再販するあらゆるプラットフォームはこの賭けに出ており、その賭けは通常、立ち上げ時点では当たっている。ほとんどの加入者は裾の重い上位層よりもはるかに少なく使うからだ。注目すべき興味深い数字は平均ではなく95パーセンタイルだが、どちらの企業もそれを公表していない。

OpenAI側では、キャパシティプランニングにとって重要となる1時間あたりの数値は、通話時間ではなく入力音声コストです。Artificial Analysisは、固定の40問ベンチマークセットを用いて、GPT-Live-1を高推論設定で入力音声1時間あたり$5.83、低推論設定で$4.47と測定しました。これは、$0.05という見出しの価格が音声のみを対象としていることを示す有用な注意喚起です。

Perplexityが先ほど採用したモデルはどれほど優れていますか？

Artificial Analysisが独自に運用するSpeech-to-Speech Indexでは、GPT-Live-1はAstra-medium構成で83.2を記録し、採点対象21モデル中2位（1位はGrok Voice 3.0の86.9）、Sol-low構成では80.1で5位となっています。同ラボのSpeech Agent Arena（実際の予約形式の会話に対するブラインド選好）では、この2構成はElo 1037と1041、タスク成功率は87.4%と90.9%です。

設定文字列は飾りではない。GPT-Live-1は自社内で推論を行わず、名前付きのバックエンドに委任しており、どのバックエンドを選ぶかによってスコアと請求額の両方が変わる。Perplexityは音声レイヤーとどのバックエンドを組み合わせているかを開示していないため、音声モデルが今や公知であっても、その実効的な品質は外部からは不明である。

誰も尋ねなかったルーティングの問い

これが、この発表で可視化される構造的なポイントです。Perplexityの音声レッグは現在OpenAIから借りており、代替できません — GPT-Live-1はエンドポイントを1つだけ、v1/live/sessionsを公開しており、Realtime APIのドロップイン代替ではないと明示されています。そのレッグはロックされています。その背後の推論レッグはロックされていません。

ここでルーターが真価を発揮します。各Computerタスクの思考を担うテキストモデルは、音声レイヤーに触れずに差し替えたり、フェイルオーバーさせたり、タスクタイプ別に分割したりできます。OrcaRouterでは、同じキーで以下に到達できます：GPT-6 Astra、GPT-5.6 Terra、およびGPT-5.6 Sol — OpenAI自身が委任先として使用するティア — に加えて、Claude、Gemini、Qwen、GLMの各モデル。プロバイダーの定価はマークアップ0%でそのまま反映され、バックエンドの1つが劣化した際には自動フェイルオーバーが行われます。ベンダーが価格を下げると、ルーティングされた経路にはその日から反映されます。

正確に言うと、私たちが行わないこととは、OrcaRouter が GPT-Live-1 を提供しないということです。音声レグは OpenAI の API 上に留まります。私たちがルーティングするのは、その下流にあるすべてであり、そこにこそ音声エージェントのコストと信頼性のばらつきが実際に存在します。

次に見るもの

この話を変える要素は3つある。PerplexityがGPT-Live-1.1に移行すれば、上記のバージョン注記は重要でなくなり、アプリの音声品質は1.1で変更された内容に応じて向上するはずだ。OpenAIがセッションごとのコスト管理 — 上限、無音タイムアウト、より安いアイドル料金 — を公開すれば、定額サブスクリプションの計算はすべてのリセラーにとって簡単になる。そして、競合の全二重モデルが同等のインデックスに登場すれば、この統合における単一ベンダー依存は既定ではなく選択肢になる。

開発者にとって、実用的な結論はより限定的だ。中断の多い音声インターフェース——受付、予約、配車、ユーザーがエージェントより多く話すあらゆる場面——を構築しているなら、全二重モデルが今や妥当なデフォルトであり、分単位の課金はその代償だ。ナレーション、読み上げ、またはテキストからオンデマンドで音声を生成するものを構築しているなら、このモデルは価格設定と設計が別の用途向けであり、TTSの比較はまったく別の記事だ。