ChatGPT（GPT-Live）とGemini Liveの音声対話比較：全二重通信と相づちが生む圧倒的なUX差

ChatGPTの GPT-Live（Advanced Voice Mode）を使ってみて、その自然さにあまりにも驚きました。これまで触れてきた音声AIとは次元が違い、Gemini Live と比べても何周も先にいる——そう感じる瞬間がありました。AIと話していることを忘れるほどです。

同時に、少しだけ怖い感覚もあります。いまはまだ「AIと話している」と分かったうえで驚いている。でもこの自然さが当たり前になれば、電話や音声の向こうにいるのが人間なのかAIなのか、分からなくなる世の中がすぐそこに来そうだ、と。2年後には、対話の前提そのものが大きく変わっていそうだ、という予感もあります。

本稿では、その驚きの正体を、応答性・全二重通信・バックチャネル（相づち）・フィラーといった音声UI特有の評価軸から整理します。テキスト性能の優劣ではなく、会話として成立しているかどうかの差を見ます。なお、製品の内部実装や仕様の全容を断定するものではありません。

1. はじめに：テキスト同等でも音声で開く決定的なUX差

テキストチャットでは、両者とも推論や情報整理の水準は近い印象があり、極端な優劣はつきにくい場面が多いです。一方で音声になると、待たされ方・遮られ方・聞き返され方がそのまま「話しやすさ」になります。

音声UIでは次のような要素が体験を左右しやすいです。

• 応答性： 沈黙が「処理待ち」に聞こえるかどうか
• 間（ま）の埋め方： フィラーや相づちでリズムを保てるか
• 双方向性： 相手の発話中にも短い反応を返せるか（全二重）
• 情緒的な手がかり： 息遣い、笑い声、抑揚など、身体性に近い信号

ChatGPT側の音声対話は、これらの点で「電話で人と話す」に近いプロトコルに寄っています。Gemini Liveもリアルタイム対話としては十分実用的ですが、割り込み時の振る舞いがターン制に近く、会話のキャッチボール感では差が出やすい——冒頭で感じた「何周も先」の正体は、主にここにありそうです。

2. 応答アーキテクチャと「間（ま）」の設計（フィラーの重要性）

ゼロ遅延ではなく、「待たされない」設計

完全なゼロ遅延ではありません。一瞬の間はある一方で、待たされている感覚が薄いのがChatGPT側の特徴です。人間の会話でも、考えているあいだに無音が続くと相手は不安になります。音声UIでも同じで、短い沈黙は「壊れた」ように聞こえやすい。

そこで効くのがフィラーです。「うん」「えーっと」「あー」といったつなぎ言葉は、意味内容そのものより、処理時間を会話のリズムに変換する装置として機能します。考える時間を隠すのではなく、人間が考えるときの間と同じ型に寄せる——この設計が、自然さの印象を大きく押し上げているように見えます。

構造の違い：パイプラインと音声ネイティブ

従来の音声アシスタントに多いのは、STT（音声→テキスト）→ LLM → TTS（テキスト→音声）というパイプラインです。各段で待ちが発生しやすく、間を自然に埋めるのが難しい。一方、音声をエンドツーエンドに近い形で扱う方式では、応答の立ち上がりやフィラーの挿入を対話プロトコル側で制御しやすい、と考えられます。

公開情報だけでは内部を断定できませんが、UX上は「テキストを読み上げている」感覚と「声で考えながら返している」感覚の差として現れやすい、と整理できます。

日本語の抑揚について

イントネーションには、日本語ネイティブとしてはやや違和感が残る場面もあります。ただし聞き取り自体は問題になりにくく、笑い声や息遣いなど感情表現の再現は比較的高い印象です。抑揚の自然さは今後の改善余地として残りつつ、現時点の体験差の主因は抑揚より間と双方向性の方にありそうです。

3. 全二重通信と相づちが生む双方向コミュニケーション

バージインとバックチャネルは別物

音声対話で混同しやすいのが、次の2つです。

• バージイン（割り込み）： ユーザーが話し始めたら、AIの発話を止める／切り替える
• バックチャネル（相づち）： 相手の話を遮らず、「うんうん」「そうだね」と短い反応を返す

前者は「順番を渡す」操作、後者は「聞いている」信号です。人が電話で話すとき、相手の話の途中で相づちを打っても、相手の発話全体をリセットしません。この差が、全二重（電話型）とターン制（トランシーバー型）の体感差になります。

ChatGPT：電話型（全二重寄り）

ユーザーが途中で声を出しても、発話を強制停止して最初からやり直すのではなく、相づちを返しながら傾聴を続ける振る舞いが見られます。「うんうん」「そうだね」が入ることで、遮られた感より「聞いてもらえている」感が残りやすい。文脈の理解力そのものより、この聞き方のプロトコルが会話のスムーズさを支えているように見えます。

Gemini Live：トランシーバー型（ターン制寄り）

ユーザーが話しかけた瞬間に、AI側の発話が止まり、会話がぶつ切りになる場面が目立ちます。割り込み自体は応答性として重要な機能ですが、相づち型の並行反応が弱いと、キャッチボールが「交互送信」に寄りやすい。文脈理解に大差がなくても、相づちと自然な間が薄いだけで、日常会話の滑らかさは大きく変わります。

4. テキスト性能と音声UXにおける評価軸の分離

テキストUIと音声UIでは、評価すべきものが違います。

• テキストUI： 推論の正確さ、論理の一貫性、検索・要約・情報整理の質
• 音声UI： 応答の立ち上がり、間の自然さ、割り込み耐性、相づち、情緒表現、身体性に近い手がかり

テキストでは同等に見える二者でも、音声では後者の軸が体験を支配します。そのため「どちらが賢いか」をテキスト基準だけで決めると、音声プロダクトとしての差を取りこぼしやすい。

ユースケースで分けると、次のように整理できます。

• 日常の相談・雑談・思考の壁打ち： 相づちと間が重要なので、全二重寄りの音声対話が向きやすい
• 正確な調査・長文の整理・論理的な検討： テキストチャットの方が評価軸に合いやすい（必要なら音声は補助）
• 手順確認や短い指示： ターン制でも十分な場面が多い

つまり優劣の一本化より、何を評価しているかを分離する方が実務的です。音声ネイティブな対話プロトコルを持つ側は、気軽な相談や壁打ちで「人と話している感覚」に近づきやすい。一方で、テキストでの推論・情報処理そのものの差は、体験比較だけでは極端には見えにくい、というのが現時点の整理です。

5. まとめ：リアルタイム対話プロトコルの進化と今後の適応先

今回の比較で大きかったのは、モデルの「賢さ」そのものより、リアルタイム対話のプロトコル——フィラーによる間の設計、全二重に近い傾聴、バックチャネルとしての相づち——でした。テキスト性能が近いほど、音声ではこの層の差が目立ちます。

調べものや厳密な推論はテキスト、相談や壁打ちは音声、という分担は、当面まだ現実的だと思います。ただ、日本語の抑揚や感情表現がさらに自然になれば、その境界はすぐ曖昧になりそうです。

冒頭で書いた「少し怖い」は、いまの回答そのものへの不安ではありません。相づちも間も通る会話が当たり前になったとき、電話の向こうが人間なのかAIなのか、もう区別がつかなくなる——その未来が、思ったより近く感じた、という話です。