OpenAIは2026年2月、ChatGPTのテキストモデルをGPT-5.3 Instant / GPT-5.4 Thinkingへ全面移行しました。しかし音声モードは依然としてGPT-4oベースで動いています。
何が起きているか
OpenAIの公式ヘルプページに明記されています：
ChatGPT Voice is not changing as part of this update. While voice uses a similar base model as GPT-4o, it’s ultimately a different model from the text GPT-4o model being retired.
つまり、テキストチャットは最新のGPT-5.3で応答しているのに、音声モードは2024年5月に発表されたGPT-4o世代のモデルを使い続けているのです。
なぜ古いままなのか
理由はおそらくレイテンシとコストです。
- リアルタイム音声対話は、往復200〜300ms以内の応答が求められます
- GPT-5.3クラスのフロンティアモデルをこの速度で動かすのは、現状ではコスト的に見合わない
- GPT-4oは音声入出力に最適化された専用アーキテクチャを持っており、軽量で高速
要するに「速さ」と「賢さ」のトレードオフです。最新モデルは賢いけど重い。音声には軽さが優先される。
ユーザーにとっての問題
ChatGPT Pro（月額200ドル）を契約しているユーザーにとって、この格差は見過ごせません：
- テキストではGPT-5.3の知識と推論力が使える
- 音声に切り替えると、13ヶ月以上古い知識カットオフのモデルにダウングレード
- このことがUI上で明示されることはない
「同じChatGPTなのに話すと急に賢くなくなる」という体験は、プロダクトとして不自然です。
これはAI業界全体の課題
音声対話に限らず、マルチモーダルの「最弱リンク」問題はどこでも起きています：
- テキスト＞画像生成＞音声 の順で、モデルの世代が遅れがち
- 各モダリティのリアルタイム処理には異なる最適化が必要
- フロンティアモデルのサイズが大きくなるほど、エッジ（音声等）への展開が遅れる
まとめ
ChatGPTの音声モードがGPT-4oベースのままであることは、AI開発の現実的な制約を象徴しています。「最速のモデル」と「最強のモデル」はまだ別物であり、ユーザー体験を一体化するにはもう少し時間がかかりそうです。
OpenAIが音声モードをいつGPT-5系に移行させるのか — それは「AIが本当に人間と対等に話せるようになる日」の指標になるかもしれません。