OpenAI、音声でPC操作と複数エージェントを制御する「ChatGPT Voice」デスクトップ版を公開

何が発表されたのか

OpenAIは2026年7月23日、音声のみでコンピュータ本体の操作や、バックグラウンドで動作する複数のAIエージェントの制御を可能にする「ChatGPT Voice」のデスクトップアプリ版を公開しました。このシステムは、音声の聴取、発話、そしてアプリケーション内での自律的な業務調整を同時に実行できる新しいモデル「GPT-Live」によって駆動しています。

本機能は、研究段階のプロトタイプではなく、一般提供（GA）のステータスとして公開されました。対象となるプラットフォームはmacOSおよびWindowsです。ChatGPTのPlus、Pro、Business、およびEnterpriseプランを契約している世界中のユーザーに向けて、発表と同日から順次ロールアウトが開始されています。

発表された機能・アップデートの全容

今回の発表における最大の特徴は、単にユーザーの音声をテキストに変換してChatGPTに投げるだけでなく、OSレベルの操作や「Codex」といった専門エージェントを音声のインターフェース経由でオーケストレーション（統合制御）できる点にあります。動画内で実演されたデモ画面を基に、その具体的な機能と動作を5つの項目に分けて解説します。

音声によるデスクトップアプリケーションの直接操作

動画の冒頭では、Jason Liu氏が「Hey Chat, please turn on the projector. Play my daylist.」（ヘイ、チャット。プロジェクターをつけて。私のデイリストを再生して）と、部屋のソファーから日常的なトーンで語りかける場面が描かれています。これを受けたChatGPTは、「One moment.」（少々お待ちください）と応答し、即座に背後の壁面にプロジェクターの映像を投影し、BGMの再生を開始しました。

この動作は、スマートスピーカーのような単純な家電連携にとどまりません。PC内のデスクトップアプリケーション（ChatGPT Work）が、OSのシステム設定や接続された外部ディスプレイを能動的に制御していることを示しています。キーボードやマウスに一切触れることなく、音声だけで作業環境のセットアップが完了する点が、従来のデスクトップアプリとの決定的な差分です。

GPT-Liveによる「聞きながら話す」リアルタイム対話

Guinness Chen氏が「来週のボイスローンチに向けて、いくつかのローンチ資料を用意する必要がある。ブログポストのドラフトを作成するのを手伝ってくれる？」と依頼するデモでは、画面上に「Meet Voice in the desktop app」というタイトルの文書がリアルタイムで生成されていく様子が映し出されました。

ここで重要なのは、GPT-Liveの処理性能です。ChatGPTは、ユーザーが話し終えるのを待ってから処理を開始するのではなく、文脈をリアルタイムに解釈しながら画面上にテキストを流し込み、同時に「Meet Voice in the desktop app. Voice makes it easier to move work forward naturally...」（デスクトップアプリのボイス機能を紹介します。音声を使うことで、より自然に作業を進めることができます...）と、人間のアナウンサーに近い流暢なイントネーションで読み上げを実行しています。この並行処理能力により、対話の待ち時間が極限まで削減されています。

Codexと連携した自律的なコードデバッグとプルリクエスト作成

開発業務における最も実用的なデモとして、バグの検出から修正、そしてGitHub等へのプルリクエスト送信までを音声一本で指示する場面が紹介されました。Jason Liu氏が「フィードバックチャンネルに新しいバグレポートがある。新しいスレッドを立ち上げて、プルリクエストを作成し、根本原因を特定して」と矢継ぎ早に指示を出します。

指示を受けた画面上のChatGPTは「Thinking...」（思考中）というインジケーターを表示し、バックグラウンドで動作するコーディング支援エージェント「Codex」を起動しました。Codexは、Slack等のメッセージ履歴から「機能フラグ（feature flag）の設定ミス」が原因であることを特定し、自動的にコードを書き換えてプルリクエストを生成します。Jason氏がキーボードに触れることなく、「見つけました。機能フラグに原因がありました。完全に設定ミスでした」という音声報告を受け取るまでの所要時間は、わずか数秒でした。

曖昧なアイデアを具体化するブレインストーミング支援

Guinness Chen氏が「機能のアイデアについて、最後に少しブラッシュアップしたい。私がとりとめなく話す（ramble）ので、それに対して質問を投げかけたり、意見を言ったりしてほしい」と指示する場面があります。これは従来の「一問一答型」のAIでは困難だった、ブレインストーミングのファシリテーション機能を実演したものです。

ユーザーがまとまりのないアイデアを口頭で並べている間、ChatGPTは適度に相槌を打ちながら要点を整理します。そして、アイデアの矛盾点や、実装にあたって考慮すべき仕様上の懸念点を、AI側から能動的に質問として投げ返していました。この挙動により、ユーザーは壁打ち相手としてAIを活用し、アイデアを短時間で要件定義のレベルまで引き上げることが可能になります。

複数エージェントを束ねるマルチエージェント・オーケストレーション

動画の終盤、Guinness氏が「目標を設定して、レビュー用にチームにタグ付けして。あとでスマートフォンから確認する」と指示を出し、部屋を退出します。ChatGPTは「了解しました。フォローアップ目標を作成し、この通話を終了します」と答え、処理を完了させました。

（編集部注：ここで機能しているのは、ChatGPT Workのタスク管理エージェントと、モバイルアプリへの通知を司る連携システムです。）ユーザーがPCの前を離れても、AIエージェントがバックグラウンドで自律的にタスクを継続し、その進捗状況をモバイル端末へ同期します。一連のデモは、音声が単なる入力インターフェースではなく、複数の自律型エージェントを束ねて複雑なワークフローを実行するための「指揮官の指揮棒」として機能していることを証明しています。