爆速音声AIの舞台裏！OpenAIが明かす「9億人」を支える低遅延WebRTCアーキテクチャ

📰 ニュース概要

• WebRTCスタックの独自再構築: OpenAIは、ChatGPT音声モードやRealtime APIの遅延を最小化するため、WebRTCインフラをゼロから設計し直した。
• トランスシーバーモデルの採用: 従来の多人数向けSFU（Selective Forwarding Unit）ではなく、1:1の対話に特化した「トランスシーバーモデル」を選択し、エッジでWebRTCを終端する。
• リアルタイム推論への最適化: 音声データを連続ストリームとして処理することで、ユーザーが話し終えるのを待たずにAIが推論やツール実行を開始できる環境を構築した。

💡 重要なポイント

• 世界規模の低遅延: 週9億人以上のユーザーに対し、パケットロスやジッターを抑えた「自然な会話速度」を維持するためのグローバルルーティングを実装。
• 専門家による設計: WebRTCのオリジナルの設計者であるJustin Uberti氏や、Pionの創設者Sean DuBois氏らがOpenAIに参画し、このアーキテクチャを主導した。
• 標準プロトコルの活用: 独自拡張を行いながらも、ブラウザやモバイルで標準となっているICE、DTLS、SRTPなどのWebRTC技術をベースにすることで、高い互換性を確保している。

🦈 サメの眼（キュレーターの視点）

トランスシーバーモデルへの振り切りが、まさに「サメの牙」のように鋭い決断だサメ！一般的なWeb会議システムで使われるSFUをあえて使わず、AIとの1:1対話に特化したインフラを自前で組むことで、中継によるオーバーヘッドを極限まで削り取っているサメ。この「エッジで終端して内部プロトコルに変換する」という設計により、音声が届いた瞬間に推論が始まる。このコンマ数秒の短縮が、AIを「ただのツール」から「生きた同僚」に変える魔法なんだサメ！

🚀 これからどうなる？

この高度なインフラがRealtime APIを通じて提供されることで、世界中のあらゆるサービスで「待機時間ゼロ」の音声AIが標準になるサメ。電話応対からリアルタイム通訳まで、AIエージェントの反応速度が人間と区別がつかなくなる未来がすぐそこまで来ているサメ！

💬 はるサメ視点の一言

遅延はサメにとっての水の抵抗と同じだサメ！削って削って、爆速で泳ぎ続けるのがOpenAI流だサメね！サメサメ！

📚 用語解説

• WebRTC: ブラウザやモバイルアプリでリアルタイムに音声や映像をやり取りするためのオープン標準規格。低遅延な通信が可能。

• ICE (Interactive Connectivity Establishment): 複雑なネットワーク環境やファイアウォールを越えて、デバイス同士が直接通信できる経路を見つけ出す技術。

• トランスシーバーモデル: 通信を中継するのではなく、エッジサーバーで一度接続を受け取り、メディアを別のプロトコルに変換して処理する方式。1対1の高速処理に向く。

• 情報元: How OpenAI delivers low-latency voice AI at scale