OpenAIは2026年7月23日（米国時間）、ChatGPT Voiceをデスクトップアプリで利用可能にしたと公式Xで発表した。音声のみでコンピューターを操作し、ChatGPT WorkまたはCodexで稼働する複数のエージェントに指示を出せる。
ChatGPT VoiceはGPT-Liveを基盤としており、アプリ内で発話、聞き取り、作業の取りまとめを同時に実行する。展開は同日よりグローバルに開始する。対象OSはmacOSとWindowsの2種、対象プランはPlus、Pro、Business、Edu、Enterpriseの5種である。
From: 
ChatGPT Voice is now in the desktop app.（OpenAI 公式X）
【参考動画】
GPT-Live版ChatGPT Voiceの紹介映像。会話のテンポや割り込みの自然さを、実際の音声で確認できる。2026年7月8日のGPT-Live発表に合わせて公開されたもの。
【編集部解説】
「操作する人」から「指揮する人」へ
このアップデートを、単なる音声入力の強化として読むと本質を取り逃がします。
キーボードとマウスは、一度にひとつの作業を進めるための道具です。手は2本しかなく、カーソルは1つしかない。だからこれまでの私たちは、AIに仕事を頼むときも「1つ書いて、待って、確認して、次を頼む」という直列のリズムから抜け出せませんでした。
今回変わったのはそこです。ChatGPT Voiceは、長めの作業について別スレッドを立ち上げ、既存のスレッドの状況を確認し、追加の指示を送ることができます。進捗、詰まっている点、結果を音声の会話に返してくるため、作業が続いている間もこちらは話し続けられます。
ただし、同時に開いておける音声会話そのものは1つだけです。「複数のエージェントを同時に動かす」ことと「複数の音声会話を同時に持つ」ことは別だと理解しておくと、実際の使用感とのずれが小さくなります。
それでも音声は、AIに対する入力方式というより、複数のエージェントを同時に走らせるための指揮の帯域に近い役割を担っています。これは私の解釈ですが、これまでの音声アシスタントとの違いはここに集約されるように思います。
変わったのは「下段」だった
会話を担う層と、思考を担う層を切り離す。この設計思想そのものは、7月8日のGPT-Live発表の時点ですでに示されていました。会話の流暢さはGPT-Liveが受け持ち、検索や推論は背後のモデルへ投げる——その構造については、GPT-Live登場──OpenAIの新音声モデルが「聞きながら話す」全二重で人間の会話に近づくで詳しく扱っています。
今回のデスクトップ版では、GPT-Liveが会話を担う構造を保ちつつ、アプリ内のタスク起動と調整をGPT-5.6 Terraが担当します。7月8日の発表時に背後モデルとして説明されたGPT-5.5とは、用途も構成も異なります。下段に期待される役割が「質問に答える」から「タスクを起動して束ねる」へ広がった、と読めます。
公開資料の上では、会話層はGPT-Liveのまま維持されています。発表から約2週間後に、分離設計をより実務的な用途へ広げた具体例が示された形です。
半年ぶりに戻ってきた、macOSの声
もうひとつ、時系列で押さえておきたい事実があります。OpenAIは2026年1月15日に、macOS版アプリの音声機能をいったん廃止していました。当時の説明は、アプリ全体でより統一された音声体験に注力するため、というものです。
つまり今回は、約半年の空白を経た復活にあたります。単なる機能追加ではなく、いったん畳んだものを設計し直して戻した、と読むほうが実態に近いように思います。デスクトップの音声を後回しにしてでも土台を作り替えたかった——公式にそう説明されたわけではありませんが、経緯からはそう読み取れます。
「コンピューターを操作できる」の実際
ここは丁寧に見ておく必要があります。公式ポストの「Control your computer」という表現は、アプリを入れた瞬間に何でもできる、という意味ではありません。
画面上のアプリをChatGPTが実際に操作するComputer Useは、対応地域においてmacOSとWindowsで利用でき、Computer Useプラグインのインストールが必要です。macOSでは画面収録とアクセシビリティの許可を求められます。
地域についても経緯があります。Computer Useは当初、EEA（欧州経済領域）、英国、スイスで提供されていませんでしたが、2026年6月中旬からこれらの地域への展開が始まりました。一方、操作を記録して再利用可能なスキルに変えるRecord & Replayについては、現在の公式文書でも初期提供地域からEEA、英国、スイスを除外するとされています。
日本はこれらの除外地域には含まれていません。ただし公式のComputer Use文書は包括的な対象国一覧を示しておらず、ロールアウト状況やワークスペース設定によって、すべての機能をすぐに使えるとは限りません。
プラン面でも段階があります。EnterpriseとEduでは、既定で有効になる前に2週間の早期アクセス期間が置かれます。
もうひとつ、覚えておきたい設計があります。ChatGPT Voiceは、Chat、Work、Codexで指示するタスクと同じ権限に従います。音声で頼んだからといって承認プロセスが緩むわけではない、ということです。地味ですが、これは安心材料といえます。ただし、あらかじめ「常に許可」を設定していれば個別の確認が省かれる点は変わりません。
見落とされがちな「見えていない部分」のリスク
macOSでは「ちょっとこれ見て」と話しかけるだけで、ChatGPTが最前面のウィンドウを参照できます。便利さと引き換えに、注意点も明示されています。
アップショットにはウィンドウの画像に加え、アクセシビリティ経由で取得できるテキストが含まれます。アプリが公開していれば、表示されているスクロール範囲の外にあるテキストも含まれます。機微な情報を含むウィンドウの取り込みは避けるよう案内されています。
ただし、これはすべてのアプリで一律ではありません。Google Docs、Gmail、Google Sheets、Google Slidesなどでは、可視範囲のスクリーンショットだけが渡り、画面外のテキストは渡らない場合があります。取り込まれる範囲は、アプリ側の実装に左右されるということです。
だからこそ、「画面に映っている範囲だけが渡る」とも「必ず全部渡る」とも決めつけられません。長いスプレッドシートや、下の方に個人情報が並んだ管理画面を扱うときは、どちらに転んでも困らない状態にしておくのが現実的です。なお、組織の管理者はこの画面コンテキスト機能自体を無効化できます。
もう一点、音声ならではの論点があります。マイクの前に立てるのは本人だけではありません。VentureBeatは、公開されたデモ映像について、同じ部屋にいる複数の社員が同一のデスクトップアプリのセッションへ、それぞれ別の指示を出す様子があると報じています。
もっとも、これは正式な複数人対応の仕様ではありません。消費者向けVoiceのヘルプでは、Liveが主に一対一の会話向けに設計されており、複数話者との会話には最適化されていないと説明されています。人同士の会話に反応してしまうこともあるとされています。複数人での運用は、現時点では想定された使い方ではないと押さえておくべきでしょう。
それでも、声が届く範囲に他者がいる環境では、キーボード操作にはなかった注意が必要になる——これは仕様というより、共有オフィスで使う際の実務的な留意点です。
「無制限」の中身を読む
実務で効いてくるのはコストです。ここは数字で押さえておきましょう。
デスクトップの音声利用は、5時間のローリングウィンドウで測る独立した枠が設けられています。目安はPlusが約15〜30分、Pro 5x（月100ドル）が約1〜2.5時間、Pro 20x（月200ドル）が無制限、Businessが約45分、Enterprise / Edu（レガシー）が約45分です。Business、Edu、Enterpriseのクレジット課金ワークスペースでは、1分あたり約6クレジットが目安とされています。
（本稿では1ドル＝164円で換算し、月100ドルは約1万6000円、月200ドルは約3万3000円とします。2026年7月24日時点で1ドル＝163〜164円台という相場に基づきます）
注意したいのは「無制限」の範囲です。音声が無制限になっても、Codexのタスクが無制限になるわけではありません。音声から起動したタスクは、これまでどおりCodexの使用枠を消費します。
Plusの5時間あたり15〜30分という枠は、思考を垂れ流しながら一日中話しかける使い方には足りません。「作業の合間に指揮する」ための枠だと理解したほうが、期待値を外さずに済みます。
同じ日に、Anthropicは別の答えを出した
見落とされがちですが、7月23日は音声にとって二重の意味を持つ日でした。Anthropicも同日、Claudeの音声モードを刷新しています。
これまでClaudeの音声モードはHaikuのみで動いていました。速度を優先して選ばれたモデルで、会話は速い。ただし常に深いとは限らなかった、と同社は説明しています。今回、難しい問題を解くために設計されたOpusとSonnetが音声で使えるようになりました。会話の途中でモデルを切り替えることもできます。
プランによる違いもあります。Freeプランで使えるのはHaikuと、接続ツール1つまで。有料プランでは、利用できるモデルと接続ツールの範囲が広がります。言語については全プランが対象です。
その接続ツールにも音声から手が届きます。Gmail、Slack、Googleカレンダー、Canvaなどを呼び出せ、使用前にClaudeが許可を求める設計です。日本語を含む多くの言語が利用可能になりました。提供はモバイル、デスクトップ、Web版のベータで、スマートフォンから使うのが最も快適とされています。
興味深いのは、両社が会話のテンポについて別の判断を下している点です。
GPT-Liveは全二重で、聞きながら話します。会話を止めずに背後で作業を進める設計を、OpenAIは前面に出しました。一方、Claudeの音声モードはターンを取ります。聞き、考えるために間を置き、それから応える。Anthropicが強調したのは、一度受け止めてから返すという間合いのほうでした。
どちらも「音声で難しい仕事をする」ことを目指しています。GPT-Liveも複雑な推論は背後のモデルへ委ねる設計ですから、速さと深さの二者択一というわけではありません。分かれたのは、考えている時間をユーザーに見せるかどうか——そこにどう向き合うかの判断です。エージェントに次々と指示を飛ばしたいならOpenAIの設計が、自分の考えを整理したいならAnthropicの設計が噛み合う。私にはそう見えますが、実際の使い勝手は用途次第でしょう。
この先に何が見えるか
私がこの発表で最も注目しているのは、OpenAIが音声を「入力の選択肢」ではなく「主要インターフェース」として扱いはじめた点です。ここは公式の位置づけではなく、私の読み取りです。
Bloombergは、同社が準備中のハードウェアを家庭向けのスピーカー型で会話相手となる製品だと報じており、GPT-Liveがそれを支える可能性が指摘されています。今回のデスクトップ対応は、その世界観をまず仕事の現場で検証するステップだと読めます（これも公式に明言された計画ではなく、私の解釈です）。
一方で、日本の読者にとっては素直に喜べない側面もあります。オフィスで独り言のように仕事を指揮する光景は、まだ日常になじみません。在宅であっても、家族のいるリビングで機密を含む指示を声に出せるかは別の話です。
iOSのRemote経由でも利用できます。当面は「席を離れている時間」や「一人で集中している時間」から入るのが現実的でしょう。
キーボードを打つ速度が、私たちの思考の上限を決めていた時代が長く続きました。その制約が外れたとき、残る上限は「何を作らせたいかを言語化する力」だけになります。話しかける相手が増えるほど、問われるのは指揮者としての構想力です。手が空くことは、頭が空くことではありません。
【編集部後記】
デスクトップアプリの Settings > Voice を開くと、macOSには Screen context という項目があります。オンにすると「これ見て」の一言で最前面ウィンドウが渡り、アプリが公開していればスクロールしないと見えない行のテキストまで含まれます。ただしGoogle Docsなどでは可視範囲だけになる。設定内の Computer Use には、常時許可アプリの一覧が並んでいます。アプリごとに渡る範囲が変わるとき、この常時許可リストはどこまでを含んでよいのか。
【用語解説】
全二重（フルデュプレックス）
聞くことと話すことを同時に行える通信方式のこと。従来型の音声アシスタントの多くはターン制で、片方が話し終わるまでもう片方が待つ設計だった。GPT-Liveはこの前提を外し、割り込みや相づちを成立させている。
ターン制（ターンテイキング）
話し手と聞き手が交互に入れ替わる会話方式。応答までに間が生じる一方、聞き取ってから考える余地が生まれる。Claudeの音声モードはこちらを選んでいる。
デュプレックス構成
本稿では、会話を担当するモデルと作業を担当するモデルを分離した二層設計を指す。通信一般でいう全二重とは別の意味で用いている。会話の即応性を保ちながら、背後でより深い推論を走らせるための工夫である。
エージェント
指示を受けて複数の手順を実行するAIプログラムのこと。単発の応答を返すチャットボットと異なり、ツールを使い、状況を判断しながら作業を進める。どこまで自律的に動くかは権限設定によって変わる。
スレッド
個別の会話または作業の単位。ChatGPT Voiceでは、ひとつの音声会話から複数のスレッドを立ち上げ、それぞれ別の作業を並行させる運用が想定されている。ただし音声会話そのものは同時に1つまでである。
アップショット（Appshot）
最前面にあるウィンドウの内容をAIの文脈として取り込む機能。画像に加え、アプリがアクセシビリティ経由で公開していれば、画面に表示されていないスクロール範囲外のテキストも含まれる。Google Docsなど一部のアプリでは可視範囲のみとなる場合がある。
ローリングウィンドウ
現在時刻から一定時間さかのぼった区間で使用量を計測する方式。ここでは5時間単位で、暦上の1日単位でリセットされるわけではない。
クレジット
トークンの使用量を管理しやすくするための換算単位のこと。モデルや処理内容によって消費レートが変わる。
EEA（欧州経済領域）
EU加盟国にアイスランド、リヒテンシュタイン、ノルウェーを加えた経済圏。英国とスイスはこれに含まれない。規制対応などを背景に、AI機能の提供開始が他地域より遅れる例がみられる。
アクセシビリティ権限／画面収録権限
macOSが提供するOSレベルの許可設定。前者はクリックやキー入力の代行と画面テキストの読み取りを、後者は画面内容の取得を可能にする。Windowsでは権限の仕組みと実行方式が異なる。
【参考リンク】
OpenAI（外部）
ChatGPTやCodexを開発する米国のAI企業の公式サイト。製品発表や研究成果、安全性に関する方針が随時公開されている。
Introducing GPT-Live（外部）
2026年7月8日公開のGPT-Live発表ページ。全二重アーキテクチャの設計思想と、上位モデルへの委譲の仕組みが説明されている。
ChatGPT Voice｜ChatGPT Learn（外部）
デスクトップ版ChatGPT Voiceの公式文書。開始手順、対象プラン、画面コンテキストの扱い、同時実行の制限が記載されている。
Appshots｜ChatGPT Learn（外部）
最前面ウィンドウを文脈として渡す機能の公式文書。取得される内容と、アプリによる例外が具体的に示されている。
Pricing｜ChatGPT Learn（外部）
プラン別の料金と使用量上限をまとめた公式ページ。音声利用の時間枠やクレジット消費レートもここに掲載されている。
Computer Use｜ChatGPT Learn（外部）
ChatGPTにデスクトップアプリを操作させる機能の解説。必要な権限、承認の仕組み、安全に使うための指針が示されている。
What’s new｜ChatGPT Learn（外部）
Codexと関連機能の更新履歴。地域別の提供状況や、機能ごとの条件を時系列で追える公式ページ。
Think through hard problems in voice mode｜Claude（外部）
Anthropicによる7月23日の音声モード刷新の公式発表。対応モデル、プラン差、接続ツール、対応言語が記載されている。
ChatGPT Voice｜OpenAI Help Center（外部）
消費者向けVoiceのヘルプ記事。3つの音声モードの違いに加え、複数話者への対応状況も説明されている。
ChatGPT（外部）
ChatGPTの利用窓口。デスクトップアプリのダウンロードや、各プランの申し込み手続きもこのページから行える。
【参考記事】
Pricing | ChatGPT Learn（外部）
音声枠が5時間単位であること、プラン別の目安時間、1分あたり約6クレジットという消費レートの出典。
ChatGPT Voice | ChatGPT Learn（外部）
別スレッドの起動、権限の継承、音声会話は同時に1つという制限、早期アクセス期間の出典。
Think through hard problems in voice mode | Claude（外部）
Opus・Sonnet・Haiku対応、Freeと有料の差、日本語を含む多言語化、ターン制設計を記した一次情報。
What’s new | ChatGPT Learn（外部）
Computer Useが2026年6月中旬からEEA、英国、スイスへ展開を開始したことを記した公式更新履歴。
Appshots | ChatGPT Learn（外部）
取得される画像とテキストの範囲、Google Docsなど一部アプリで可視範囲のみとなる例外を記した文書。
ChatGPTとClaude、そろって音声機能強化（外部）
2026年1月15日のmacOS版音声機能の廃止と、今回が半年ぶりの復活である経緯を伝えた記事。
OpenAI updating ChatGPT desktop app with GPT Voice（外部）
公式リリースノートを引きながら、Appshotsやローカルファイルとの連携を報じた9to5Macの記事。
Agentic coding goes hands-free as OpenAI brings GPT-Live’s full duplex voice control to Codex（外部）
音声層と実行エンジンの分離を読み解き、デモ映像の複数人利用にも触れた記事。
OpenAI debuts ChatGPT Voice on the desktop app（外部）
準備中の家庭向けハードウェアに関するBloombergの報道と、GPT-Liveとの関係を伝えたFortuneの記事。
Introducing GPT-Live | OpenAI（外部）
全二重アーキテクチャの説明と、発表時点の背後モデルがGPT-5.5であることを記した一次情報。
ドル円は一時１６４円に迫る 中東情勢が依然混迷＝ＮＹ為替概況（外部）
本文の円換算に用いた相場の出典。2026年7月24日前後の対米ドル相場を伝える記事。
GPT-Live登場──OpenAIの新音声モデルが「聞きながら話す」全二重で人間の会話に近づく
今回の基盤となる音声モデルの発表を解説。全二重の構造と二層設計の思想を詳述している。
ChatGPT ワーク登場、GPT-5.6搭載で「仕上げる」AIへ｜OpenAIが挑む業務自動化
音声で指揮する対象であるChatGPT Workの初出記事。7月9日の発表内容を扱っている。
AIエージェントに物理ボタンで指示する時代へ｜OpenAI初のハードウェア「Codex Micro」発売
エージェントへの指示手段を、Work Louderとの共同設計デバイスから論じた記事。声とボタンの対比として読める。
