2026年7月1日、xAIがAI音声エージェント構築ツール「Voice Agent Builder」を発表しました。7日後の7月8日には、OpenAIが全二重（full duplex）の音声モデル「GPT-Live-1」を公開しています。
この8日間の動きは、AI音声が「読み上げ」から「対話」に変わる転換点を示しています。ただし、両社が示したものは同じ種類ではありません。
結論：対話の質はOpenAI、実装できるのはxAI
先に結論を書きます。GPT-Live-1は、AIとの対話がどこまで自然になり得るかを示す方向性の証拠です。ただし現時点ではChatGPTという製品の中でしか使えず、開発者向けAPI提供はありません。
一方xAIのVoice Agent Builderは、1分0.05ドルという料金で、企業が今日から音声エージェントを組み立てられる実装可能性の証拠です（出典: xAI公式）。
両社の立ち位置を整理すると次のようになります。
- OpenAI GPT-Live-1: 全二重の対話品質を示すが、開発者向けAPI提供なし。ChatGPTの中でしか体験できない
- xAI Voice Agent Builder: ノーコードで今日から構築可能。音声1分0.05ドル、電話番号利用は追加1分0.01ドル
対話の質を評価する材料はOpenAIの発表から得られますが、実際に手を動かせる土台は現時点でxAI側にあります。
8日間で発表された2つの音声モデル
xAI「Voice Agent Builder」の価格と仕様
xAIは、音声AIエージェントをノーコードで構築できるプラットフォームを公開しました。通話フローを自然言語で書き、資料やツールを添付するだけで動くと説明されています。
料金は音声1分あたり0.05ドル、電話番号を付ける場合は追加で1分あたり0.01ドルです（出典: xAI公式）。無料の電話番号が1つ付与されます。
約2分間の参照録音で企業のブランドボイスをクローンできる機能もあります。内蔵の音声は80種類以上、対応言語は25以上です（出典: xAI公式）。日本語は対応言語に含まれていますが、品質についての公式な言及はありません。
OpenAI「GPT-Live-1」、ChatGPT限定の新体験
GPT-Live-1は、発話と受聴を同時に処理する初の全二重モデルです。相手が話し終わるのを待たず、相槌や割り込みに反応できる設計だと説明されています（出典: OpenAI公式）。
ChatGPT Voiceのデフォルトエンジンとして、Go・Plus・ProユーザーにGPT-Live-1、FreeユーザーにはGPT-Live-1 miniが提供されます。旧Advanced Voice Modeとの5〜10分の会話比較では、GPQA 84.2%（旧45.3%）、BrowseComp 75.2%（旧0.7%）というOpenAI自社計測のベンチマーク結果が示されています（出典: TechCrunch）。複雑な推論はGPT-5.5に処理を委ねる設計です。
ここで押さえておきたいのは、GPT-Live-1は開発者向けAPIとして提供されていないという事実です。OpenAI公式のAPIモデル一覧を確認しても、該当モデルは掲載されていません（出典: OpenAI Developers公式）。BtoB企業が自社のAIアバターにGPT-Live-1をそのまま組み込むことは、今日時点ではできません。
半二重から全二重への転換点
従来の音声AI（半二重）は、ユーザーの発話が終わるのを待ってから応答をつくっていました。相槌を打てず、話の途中で割り込めず、会話としては不自然になりがちでした。
全二重は、この待ち時間をなくします。発話中の相槌、言い淀みへの反応、途中での訂正や質問への対応が可能になると説明されています（出典: OpenAI公式）。
技術としての新しさは、ここに集約されます。「何を話すか」ではなく「いつ話すか」を判断する層が加わったということです。
既存のAIアバター製品への波及
対話型のAIアバターという体験自体は、それほど目新しいものではありません。HeyGenの「LiveAvatar」は、すでに顧客サポートや営業支援の場面で使われています。
料金はEssentialプランが月額99ドル(1,000クレジット)、Businessプランが月額475ドル(5,000クレジット)です（出典: HeyGen公式ヘルプセンター）。1クレジットは10セントで、フルモード30秒相当に換算されます(公開前に最新プランの再確認を推奨します)。
このようなアバター製品の応答が自然に聞こえるかどうかは、土台となる音声モデルの性能に左右されます。半二重から全二重への世代交代は、既存の対話型アバター製品の応答品質を、乗り換えなしに底上げする方向に働くはずです。
「動画で話す」以前の土台にあたるデジタルヒューマンという概念は、次の記事で仕組みから解説しています。
今日からできること
今回の発表が変えたのは「動画は一方通行」という前提そのものです。次のようなことで検討を出来るのではないかと考えます。
- 自社の一次対応(FAQ・製品デモ)で、対話型アバターを試す余地がある業務を洗い出す
- 複雑な商談や契約条件の交渉は、現段階の対話AIに任せない前提で線引きする
- その代わり、営業ロープレなどでの活用を検討する
AIアバターの本格導入を検討する場合の判断軸をまとめた記事がこちらです。
読み上げ側、つまりナレーション用のAI音声選びは切り口がまるごと変わるため、別記事にまとめました。
まとめ：ガバナンスという次の論点
OpenAIが対話の質を示し、xAIが実装可能性を示しました。この非対称性を分けて理解することが、AIアバター施策を判断する起点になります。
もうひとつ、触れておきたい論点があります。「音声サンプルで簡単にボイスをクローンできる」という事実は、裏を返せば「誰の声を、誰の許諾で使うか」というガバナンスの問いが対話型アバターにも同じように及ぶということです。
声を無断で複製しないためのルールや透かし技術は、別の記事でひとまとめにしてあります。
VideoNextは、親会社ネクプロが培ってきたウェビナー配信・動画活用の知見をもとに、BtoB企業のAI動画実装を専門に支援するスタジオとして立ち上がりました。商談前の営業動画から決算説明のIR動画、現場のマニュアル動画、社内の研修コンテンツまで、動画の種類を問わず実装に伴走し、AIアバターやAI音声ツールの選定も担っています。今回のような技術動向についても、誇張のない実務目線でnoteに書き続けます。