ChatGPTの「高度な音声モード」がWebブラウザに対応

これまで ChatGPT のリアルな高度音声モードを試すには、スマートフォンを取り出してアプリを開く必要がありました。

その手間がついに解消されます。OpenAI は ChatGPT の「高度な音声モード（Advanced Voice Mode）」を Web ブラウザ版にも拡大しました。

同社の最高製品責任者（CPO）である Kevin Weil 氏が X で発表したもので、今週から Plus、Enterprise、Teams、Edu の有料プラン契約者向けに順次提供が始まっています。

デスクトップに現れる青い球体

Web 版で音声会話を始める手順はいたってシンプルです。

ブラウザで ChatGPT を開き、プロンプト入力欄の右下にある音声アイコンをクリックします。ブラウザのマイク使用を許可すると、画面中央に青い球体が表示され、会話がスタートします。

この機能は GPT-4o のネイティブな音声処理能力をそのまま使っています。従来の「音声を文字起こしし、回答を生成して機械音声で読み上げる」仕組みとは異なり、遅延の少ない自然なやりとりが可能です。

話すスピードなどの非言語的なニュアンスを汲み取れるほか、感情を込めたトーンで返答することもできます。

声のバリエーションは 9 種類用意されています。たとえば気さくで柔軟な「Arbor」や、自信に満ち前向きな「Ember」など、好みのトーンやキャラクターに合わせて選べます。

無料ユーザーへの開放と利用制限

高度な音声モードは 9 月に iOS と Android アプリ向けに先行公開されていましたが、Web 版はそれに続く展開となります。

無料ユーザーは今すぐには使えませんが、Weil 氏によると「数週間以内」に順次拡大していく予定です。

ただし、計算資源の負荷が大きいため、利用には上限が設けられています。Plus や Team の有料ユーザーであっても 1 日あたりの利用制限があり、負荷状況によって変動する可能性があります。

残り時間が 15 分になると画面上で通知される仕組みです。無料ユーザー向けには、月ごとのプレビュー枠として提供される見込みです。

なぜ重要か

今回の Web 版展開によって、高度な音声対話が単なるスマートフォンの便利機能から、本格的なデスクトップ作業の相棒へと進化すると考えられます。

文章の執筆やプログラミングなど、集中を要する作業の多くは PC の前で行われます。画面上でコードや資料を見ながら、ヘッドセット越しに AI とリアルタイムでブレインストーミングや推敲を行える価値は非常に大きいです。

業界全体から見ても、GPT-4o の端から端まで音声で処理するネイティブな強みを、日常的な作業空間であるブラウザに持ち込んだ点は競合への強い牽制になります。既存の音声入力や読み上げ機能とは、会話のテンポも表現力もまったく別物です。

一方で課題はやはりコストとインフラ負荷の重さです。有料会員に対してさえ厳密な 1 日の制限があり、残り 15 分のカウントダウンが表示される現状は、リアルタイム音声の推論コストがいかに高いかを物語っています。一日中つなぎっぱなしで作業アシスタントとして使うには、もう少しコスト低減を待つ必要がありそうです。