OpenAI 推出桌面端 ChatGPT Voice：動嘴就能指揮多個智慧體

想像一下這個場景：你坐在電腦前，雙手甚至不用碰鍵盤，只要開口說一句話，就有幾個 AI 智慧體同時在後臺幫你跑測試、找 bug、順手再提個 PR。

這不是科幻電影裡的橋段。7 月 23 日，OpenAI 正式宣佈把 ChatGPT Voice 引入 macOS 和 Windows 的桌面端應用。這一次的核心變化，是把語音從單純的「聊天工具」，直接變成了操作電腦和指揮智慧體的控制台。

動動嘴，指揮後臺一群智慧體

這項功能背後由 OpenAI 本月早些時候推出的 GPT-Live 語音模型驅動。它最大的特點是支援雙向即時互動，能一邊聽、一邊說，還能同時在桌面應用裡協調任務。

在桌面端，ChatGPT Voice 深度接入了 ChatGPT Work 和 Codex。以前你要做幾個專案，得在介面裡開一堆對話方塊反覆打字；現在只要開口，就能直接對後臺的多個智慧體發號施令。

比如你可以直接說一句：「幫我看看今天的上線簡報，整理出需要審批的決定；同時開一個 Codex 任務去跑測試，把沒跑通的排查一遍。」OpenAI 在演示中甚至展示了更誇張的操作：開發者一句語音指令，就完成了新建分支、建立 Pull Request 和定位 bug 根因。

更自然的是它的打斷與切換機制。如果任務執行中需要你做決定，或者你想臨時插話調整方向，隨時開口打斷它就行。你甚至能在不同的任務之間來回跳轉，說一句「讓我跟負責審查測試的那個任務說話」，問完再一句「帶我回上一個任務」，就能無縫切換。

如果你用的是 macOS，還能在設定裡開啟 Appshots 螢幕上下文功能。對著電腦說一句「幫我看看這個」，ChatGPT 就能抓取最前端視窗的畫面和文字，甚至能讀到滾動區域之外的可訪問內容。另外，OpenAI 也支援通過 iOS 端應用遠端配對桌面主機來呼叫 Codex 語音功能，Android 支援隨後就到。

不過，目前桌面端同一時間只允許存在一個活躍的語音會話，並且會根據你的訂閱方案消耗對應的額度。這項功能面向 Plus、Pro、Business、Edu 和 Enterprise 付費使用者全球推送，免費使用者暫時還用不上。有海外博主實測反饋，自己手頭的 Mac 已經能用，但 Windows 端似乎還在按批次放量。

為什麼重要

我們認為，OpenAI 這次更新最聰明的地方，在於徹底改變了語音互動在桌面端的定位。

過去無論是手機上的語音助手，還是此前網頁端的語音模式，大多隻是把文字輸入換成了嘴巴說話，本質上還是個「聊天玩具」。但放在桌面端，當語音接管了 Codex 和電腦操作能力，它就變成了真正的擴音控制層（hands-free control layer）。對於寫程式碼的開發者或多工處理者來說，你可以在盯著設計圖或構思邏輯的同時，動動嘴把髒活累活分發出去，這種工作流的改變是非常立竿見影的。

在行業層面，這標誌著 AI 巨頭們的競爭戰場，已經全面從「模型有多聰明」轉向了「誰能更快接管使用者的作業系統」。就在 OpenAI 推送更新的同時，Anthropic 也在為其 Claude 語音模式發力，呼叫 Opus、Sonnet 等模型在 Gmail、Slack、Notion 之間穿梭辦事。桌面作業系統正在成為 AI 代理人搶奪的新底座。

當然，隱患也擺在眼前。macOS 上的 Appshots 允許 AI 擷取包括隱藏文本在內的視窗資訊，如果企業或個人處理敏感資料，隱私洩露風險不容忽視；同時，單會話併發的限制也說明，距離真正多執行緒全自動運作的「AI 虛擬辦公室」，OpenAI 還有技術路程要走。但無論如何，如果你手頭有付費賬號，這絕對是現階段最值得立刻上手試一試的新特性。