ChatGPT Voiceがデスクトップ版に対応――Work・Codexのタスクを音声で指揮可能に

OpenAIは7月23日、ChatGPTデスクトップアプリのChat・Work・CodexでChatGPT Voiceを利用できるようにした。GPT-Liveを基盤とし、音声会話から別スレッドの作業を開始、確認、軌道修正できる。テキスト入力へ戻らずに、PC上のタスクを音声で調整する使い方が加わった。

ChatGPT Voiceの主な機能

ChatGPT Voiceは、7月8日に発表されたGPT-Liveを基盤とする。今回のデスクトップ対応では、自然な割り込みを含む音声対話と、Chat・Work・Codexにまたがるタスク調整が組み合わされた。

フルデュプレックスによる自然な対話

OpenAIはGPT-Liveをフルデュプレックス構成と説明している。入力を継続的に処理しながら出力を生成するため、話す、聴き続ける、一時停止する、割り込む、ツールを呼び出すといった判断を高頻度で行えるという。

Advanced Voice Modeは単一モデルで音声を処理したものの、離散的なターンで動作し、ユーザーの発話終了を待ってから応答していた。GPT-Liveでは応答中の割り込みや、「うん」「わかった」といった短い相槌にも対応する。

OpenAIの人間評価では、条件をそろえた5～10分の会話で、GPT-Live-1とGPT-Live-1 miniがAdvanced Voice Modeより強く選好された。評価項目は全体的な好み、話者交替、割り込み、会話の流れ、自然さである。

別スレッドの音声操作

ChatGPT Voiceは、長い作業用に別スレッドを開始し、既存スレッドを確認し、追加指示を送れる。進捗、障害、結果は元の音声会話へ戻されるため、会話を続けながら作業を調整できる。

公式ドキュメントは、Codexタスクを開始してテストを実行し、不合格項目を調べさせる例を示している。Voiceが指揮するタスクには、Chat・Work・Codexで設定されたものと同じ権限が適用される。

対応環境と利用条件

デスクトップ版Voiceは、プラン、段階的な展開状況、ワークスペース設定によって利用可否が変わる。macOSでは、前面ウィンドウを会話の文脈として渡すAppshotも利用できる。

macOS・Windowsのデスクトップアプリに対応

OpenAIの公式changelogによると、ChatGPT Voiceは2026年7月23日付のデスクトップアプリ「26.715」で追加された。ChatGPTデスクトップアプリはmacOSとWindowsに対応する。

Voiceの対象プランはPlus、Pro、Business、Edu、Enterpriseで、Freeはデスクトップ版Voiceの対象として記載されていない。EnterpriseとEduは2週間の早期アクセス期間を経て、既定で利用可能になる。

iOSでは、スマートフォンとデスクトップホストをペアリングした後、Remote経由でChatGPT Voiceを利用できる。利用可否は段階的な展開とワークスペース設定にも左右される。

Appshotとタスク権限

macOS版では、Screen contextを有効にして「これを見て」と話すと、前面ウィンドウのAppshotをChatGPTへ渡せる。Appshotには表示中の画像に加え、アプリが提供する範囲で画面外を含むテキストが入る場合がある。

音声で開始・調整するタスクは、Voice専用の追加権限を得るわけではない。Chat・Work・Codex側の権限設定に従うため、ローカルファイル、プラグイン、Computer Useなどを扱える範囲は、対象タスクの機能、設定、承認状況に依存する。

GPT-Liveの技術的な仕組み

OpenAIはGPT-Liveについて、「継続的な対話」と「深い作業への委譲」という2つのアーキテクチャ変更を説明している。以下の「対話部分と委譲部分」という整理は、その公式説明を記事向けに要約したものであり、公式の製品用語ではない。

対話部分と推論委譲

対話部分では、GPT-Liveが入力を継続処理しながら出力を生成する。これにより、会話の途中で話す、聴き続ける、一時停止する、割り込む、ツールを呼ぶといった判断が可能になる。

検索、深い推論、よりエージェント的な処理が必要な場合、GPT-Liveは別モデルへ作業を委譲できる。OpenAIは提供開始時のバックグラウンドモデルとしてGPT-5.5を挙げ、処理中も会話を続けられると説明している。

構成は利用モードで異なる。GPT-Live-1のInstantとGPT-Live-1 miniはGPT-5.5 Instantを、GPT-Live-1のMediumとHighはそれぞれ中・高の推論強度でGPT-5.5 Thinkingをバックグラウンドに使う。

従来のAdvanced Voice Modeとの違い

OpenAIはAdvanced Voice Modeをターンベース音声モデルの例としている。GPT-Liveは入出力を継続処理し、必要に応じて検索や推論を別モデルへ委譲する点が異なる。旧方式を一律に「質問応答だけの音声」とみなすことはできない。

GPT-Liveは7月8日からiOS、Android、ChatGPT.comへ段階的に展開された。GPT-Live-1はGo、Plus、Proで、GPT-Live-1 miniはFreeでChatGPT Voiceの既定モデルになるとOpenAIは案内している。これはデスクトップ版Voiceの対象プランとは別の提供区分である。

音声が「タスクの操作盤」になる

今回の更新では、音声会話から別スレッドの長い作業を開始し、進捗を確認し、追加指示を出せるようになった。音声をタスク調整のインターフェースとして使う範囲が広がったと位置づけられる。

質問応答から作業指揮へ

ChatGPT Voiceは会話だけでなく、Chat・Work・Codexのタスクを調整できる。Workではファイルや許可済みプラグインを使う作業、Codexではテストや調査などの開発タスクを、各環境の権限内で音声から開始・修正できる。

これは音声がエージェント機能への入口にもなることを示す。ただし、Voice自体が新たな操作権限を与えるわけではなく、実際に行える処理は対象タスクの機能と承認設定に制約される。

現時点の制約と今後の焦点

デスクトップ版VoiceはPlus以上の対象プランに限られ、利用可否はロールアウトやワークスペース設定にも依存する。音声チャットはデスクトップアプリ全体で同時に1件だけで、音声利用枠とCodex利用枠も別に消費される。

外部サービスやPC操作をどこまで扱えるかは、Work・Codexの機能、導入済みプラグイン、Computer Use、個別の権限などに依存する。今後の実用性は音声認識だけではなく、権限確認や作業結果のレビューを、安全かつ簡潔に行えるかにも左右されるだろう。