OpenAI、デスクトップ版ChatGPT Voiceを提供開始：音声で複数エージェントを操作

キーボードから手を離したまま、パソコンに向かって声で指示を出すだけで、複数のAIエージェントが裏でバグを探し、テストを回し、プルリクエストまで作成してくれる。

SFのような光景が現実になりました。7月23日、OpenAIはmacOSおよびWindows向けのChatGPTデスクトップアプリに「ChatGPT Voice」を正式導入しました。単に音声で雑談できるだけでなく、デスクトップ上のAIエージェント群を直接コントロールできる司令塔へと進化しています。

声だけで複数のエージェントを動かす

今回の機能の基盤となっているのは、OpenAIが今月初めに発表した最新音声モデルファミリー「GPT-Live」です。話すことと聞くことをリアルタイムに並行処理できるため、ユーザーの発話を途中で遮って指示を変更したり、タスクの進捗を音声で確認しながら作業を進めたりできます。

最大の特徴は、ChatGPT WorkやCodexとの密接な連携です。従来のようにスレッドごとにテキストを打ち込む必要はなく、「今日のリリース要約を確認して承認が必要な項目をまとめて。Codexでテストを走らせて落ちた原因も調べておいて」と話しかけるだけで、複数のタスクを同時に立ち上げられます。公開されたデモでは、開発者が一言指示を出しただけで、新規スレッドの作成からバグ調査、プルリクエストの作成までをこなす様子が披露されました。

タスク間の移動も自然です。「テストをチェックしているタスクと話したい」「元のタスクに戻して」と話しかければ、会話の流れを保ったまま別のエージェントに指示を切り替えられます。

さらにmacOS版では、画面共有機能「Appshots」に対応しました。「これを見て」と声をかけると、最前面のウィンドウの画像やアクセシビリティテキスト（スクロール外の隠れたテキストを含む）を取得して文脈を理解します。また、iOSアプリからペアリングされたデスクトップホスト経由でCodexの音声操作を行うことも可能で、Androidの対応も予定されています。

注意点として、同時にアクティブにできる音声チャットは1つに限られ、使用量に応じた制限やクレジット消費もあります。展開はPlus、Pro、Business、Edu、Enterpriseの有料プラン向けに順次行われており、無料ユーザーは現時点では対象外です。

なぜ重要か

今回のアップデートが極めてスマートなのは、音声を「入力手段」から「エージェントの操作レイヤー」へと昇格させた点にあると考えます。

従来の音声機能は、人間とAIが1対1でおしゃべりをするための機能にとどまっていました。しかしPC作業において、声でCodexなどの自律エージェントを束ねられるようになると、開発者やデスクワーカーはキーボードを打つ手を止めずに「指示役」に専念できます。いわゆるバイブコーディング（Vibe Coding）のような新しい作業スタイルを大きく後押しするはずです。

業界全体を見渡しても、AnthropicがClaudeの音声機能でGmailやSlack、Notionなどのアプリ操作を強化するなど、AIエージェントによるOS乗っ取り競争が本格化しています。ベンチマークの争いから、いかに日常のデスクトップ環境に深く食い込むかへと主戦場が移りました。

もちろん、画面の見えない領域まで読み取るAppshotsのセキュリティリスクや、組織内でのアクセス権限管理など、クリアすべき課題は残っています。それでも、有料プランを契約しているユーザーであれば、今すぐ試す価値が十分にある進化だと言えます。