パソコンに向かって一言話しかけるだけで、コードスレッドの作成、プルリクエストの送信、バグの原因調査という3つの作業を一度に完了させることができます。OpenAIのデスクトップ版ChatGPTに音声操作機能が追加され、今回は音声が「チャットのための入り口」から「作業のための入り口」へと変わりました。
一言で三つの作業、すべて完了
2026年8月9日、OpenAIはデスクトップ版ChatGPTに音声操作機能を追加し、音声が「チャットのための入り口」から「作業のための入り口」へと進化しました。
OpenAIのデモ動画では次のようなシーンが紹介されています。開発者が一言指示を出すと、ChatGPTはコードスレッドを作成し、プルリクエストPull Request（自分のコードをプロジェクトにマージするためのリクエスト）を送信し、バグの根本原因を特定するという3つのステップを連続して実行します。
この能力を支えるのは新しいモデルであるChatGPT-Live（スムーズな音声対話を実現するために設計されたAIモデル）です。スマートフォン版の音声とは異なり、デスクトップ版の目標は質問に答えることではなく、タスクを実行することです。
さらに、PC自体を操作することも可能です。ウェブサイトにアクセスしたり、アプリケーションを開いたりすることができます。macOS上ではAppshotsを活用して、画面上のコンテンツを読み取ることもでき、視覚障害者のための代替テキストも読み取ることができます。口頭での指示が実際の画面上での操作に変わります。
位置付けを明確にすれば、スマートフォン版の音声はチャットや質問応答するのに対し、デスクトップ版の今回の音声は実行に焦点を当てていることがわかります。
これはスマートフォン版の音声機能に続く、OpenAIが音声を生産性の向上に向けた一歩を踏み出したものです。
理解しているのはどのレベルか
音声アシスタントは以前から存在していましたが、今回の違いは「理解する」レベルが異なります。
従来の音声アシスタントが理解するのは「アクション＋対象」です。目覚まし時計の設定や天気の確認など、一度のステップで完了します。一方、ChatGPT Voiceが理解するのは「タスク」です。一言の指示の中に複数のステップが含まれており、それを分解して順番に実行する必要があります。デモ動画での指示は、コードスレッドの作成、コードの送信、バグの調査という3つのアクションに分解されました。
分解した後は実行に移す能力が必要です。ChatGPT-Liveは音声処理だけでなく、PCの操作能力も備えており、ウェブサイトやアプリケーションにアクセスし、macOS上では画面上のコンテンツを読み取ることもできます。理解と実行が同じモデル上で繋がっています。
画面読み取りのステップは一見地味ですが、実際には非常に重要です。指示は画面上のものを指して話すことができ、AIはユーザーが見ている画面を見ることができます。画像も代替テキストを通じて「読み取る」ことができ、視覚的な盲点にはなりません。
音声の弱点こそが今回の突破口
従来の音声アシスタントは複雑な作業をこなすことができないため、皆「聞き取れない」からだとしていました。しかし、実際には別のところに問題がありました。
従来の音声アシスタントが多段階のタスクを実行できない理由は、多くの人が認識の問題だと考えていました。騒がしい環境や強いアクセント、聞き取りの不正確さなどです。しかし、デモ動画での指示は長くもなく不明瞭でもありません。本当のハードルは実行にあります。「プルリクエストを送信する」という指示を理解することと、実際にそれをプロジェクトに送信することは、コンピューター操作能力という一連のステップを介しています。目覚まし時計の設定や天気の確認は、一度のステップで完了し、これが従来の音声アシスタントの限界でした。3つのステップを続けて実行し、ミスなく完了させることが、今回の乗り越えるべきハードルです。
認識率は決してそのハードルではありません。本当の難しさは、理解した後にあるのです。手はありますか？今回はモデルに手を付けました。
振り返ってみれば、音声認識の技術はここ数年で大きく進歩しましたが、音声アシスタントはまだ複雑な作業をこなすことができません。もし本当に耳に問題があるならば、認識が向上すれば作業は実行できるようになっていたはずです。実行されていないということは、他に問題があることを示しています。
したがって、今回のアップグレードの本質は、「音声理解」と「コンピューター操作」を同じモデルに接続することです。ユーザーが得られる違いは直接的、音声指示で実行できる作業が、実際の作業シーンに近づき、単純なクエリや設定だけに留まらなくなります。
競合他社は既に追随、違いはどれだけ深くできるか
OpenAIがデスクトップに音声操作機能を導入した直後、AnthropicのClaude音声モードも更新されました。この競争は既に始まっています。
Claudeの音声モードはOpus、Sonnet、Haikuという3つの異なる能力レベルのモデルモデルレベル（同じ会社内で異なる能力を持つAIモデル）を呼び出して、Gmail、Calendar、Slack、Notion、Canvaでタスクを実行します。しかし、多段階タスクの実行に関する公式データはまだ公開されていません。
今後数ヶ月間は注目すべき点が2つあります。一つはAnthropicが実際に多段階タスクの実行データを公開するかどうか、もう一つは両者が対応するアプリケーションのリストがさらに長くなるかどうかです。これらの答えが、この競争でリードするかどうかを決定します。
デスクトップが次のステップですが、スマートフォンも無視できません。iOS端末ではリモートアクセスを通じてCodexでChatGPT Voiceを使用することができます。つまり、スマートフォンで一言言うと、PCで実行されるのです。
「口を動かす」ことが「手を動かす」ことに変わることは、デスクトップAIの次の形態であり、両社ともにその方向性を認識しています。ChatGPT Voiceの現在の優位性は多段階実行にありますが、この優位性を維持できるかどうかは、専門的なシーンでのパフォーマンスにかかっています。この部分については今のところ誰も答えを出していません。
デスクトップ版をインストールすれば、今すぐ一言で試せる
機能は既に利用可能で、デスクトップ版をお持ちの読者は今すぐ試すことができます。簡単な指示から始めて、それがどれだけ理解できているかを確認してみてください。
最新版のChatGPTデスクトップアプリケーションに更新し、アカウントにログインして、設定でChatGPT Voiceを有効にします。
まずは2段階の指示を試してみてください。例えば、「カレンダーを開いて、明日の午後3時に会議を追加して」と言うと、それが実行される前に確認を求めてくるかどうかを確認します。
次に、仕事に関連する多段階の指示を試してみて、デモ動画での「スレッドの作成、コードの送信、バグの調査」と比較して、どこまで実行できるかを確認します。
macOSユーザーはAppshotsを試してみてください。画面上のコンテンツを読み取り、現在開いているウィンドウ内のものを処理するように指示してみてください。
一つ注意点があります。AIは指示を実行することに専念するため、重要な操作（コードの送信、メッセージ送信、削除など）については確認のステップを必ず監視してください。AIが実行するスピードが速いほど、人間の確認の役割が重要になります。
本記事はIT之家の記事（2026-08-09）を基に執筆されています。メーカーが発表している数値（ベンチマークスコア、削減率など）は公式のものであり、特に明記されていない限り、第三者の独立した再検証は受けていません。