【速報】ChatGPT Voiceがデスクトップに登場、音声で複数エージェントを指揮する¶

今回変わったこと

OpenAIは2026年7月23日付の更新として、macOSとWindowsのChatGPTデスクトップアプリ 26.715にChatGPT Voiceを追加した。対象はPlus、Pro、Business、Edu、 Enterpriseで、展開状況とワークスペース設定によって利用可否が変わる。¹²

この機能は音声を文字へ変換するだけではない。会話を続けながらChat、Work、 Codexの別スレッドを起動し、進捗を確認し、指示を変更できる。

GPT-Liveの会話レイヤとGPT-5.6 Terraの実行調整レイヤ

7月9日の26.707でCodexがChatGPTデスクトップアプリへ統合され、今回の26.715で音声からCodexを含む複数タスクを指揮できるようになった。¹

ただし、常時利用できる音声コントロールではない。音声枠とCodex枠は別に消費され、Screen contextには表示範囲外のテキストも入る。導入判断では新しい操作感より、権限、情報共有、二重の利用枠を先に確認する必要がある。

GPT-LiveとGPT-5.6 Terraが会話と実行を分担する¶

デスクトップ版Voiceは、役割の異なる2モデルを組み合わせる。公式料金ページでは、GPT-Liveがライブ会話を担当し、GPT-5.6 Terraがアプリ内タスクの起動と調整を担うduplex構成と説明されている。³

レイヤ	モデル	担当
会話	GPT-Live	聞く、話す、割り込みを受ける、会話を継続する
実行調整	GPT-5.6 Terra	Chat、Work、Codexのタスクを起動、確認、修正する

GPT-Liveは7月8日に発表された全二重音声モデルである。入力を処理しながら出力でき、検索や深い推論が必要な処理を別モデルへ委譲しても、会話を継続できる。一般のChatGPT Voiceでは発表時にGPT-5.5へ委譲していたが、デスクトップのWorkとCodexでは委譲先がGPT-5.6 Terraになる。³⁵

SmartScopeは、この分離を音声UIの改善より大きな変更と評価する。会話レイヤが待ち時間を吸収し、実行レイヤが複数スレッドを非同期に進めるため、ユーザーはタスクの完了を待たずに次の指示を出せる。

音声会話は最初のメッセージより前に開始する¶

ChatGPT Voiceを使うチャットまたはタスクは、最初から音声モードで始める必要がある。空のチャットかタスクを開き、メッセージを送る前に Start new voice chatを選ぶ。テキストなど別モードで始めた会話では、音声をプロンプト文字列へ変換するdictationになる。²

過去の音声チャットは、開いてStart voice chatを選べば再開できる。ショートカットはSettings > Voice > Voice chat hotkeyで設定する。

Voiceは長い処理を別スレッドとして開始し、既存スレッドの状態を確認し、追加指示を送れる。タスクがブロックされた場合や完了した場合も、元の音声会話へ進捗を戻す。音声だから権限が増えるわけではなく、指揮対象のChat、Work、Codexと同じ権限に従う。²

Screen contextは表示外のテキストも共有する¶

macOSではSettings > VoiceのScreen contextを有効にし、「Take a look at this」と話すと、最前面ウィンドウのappshotを文脈にできる。²

appshotにはウィンドウ画像だけでなく、アクセシビリティ経由のテキストが含まれる。その範囲は画面に見えている部分に限らず、スクロール外の内容まで及ぶ。 macOSは画面とシステムオーディオの記録権限、アクセシビリティ権限を要求する場合がある。

組織はScreen contextを無効化できる。料金ページの機能表では、AppshotsはPlus、Pro、Businessで利用可能だが、 EnterpriseとEducationでは利用不可とされている。³ 企業は「画面に機密が見えない」だけで共有可否を判断せず、対象アプリのアクセシブルテキスト全体を共有範囲として扱う必要がある。

音声枠とCodex枠は別に消費される¶

WorkとCodexを指揮するデスクトップ版Voiceには、 5時間のローリングウィンドウで測る独立した音声枠がある。音声から起動したタスクは、これとは別に既存のCodex利用枠を消費する。²³

プラン	5時間あたりの音声枠の目安
Plus	約15〜30分
Pro 5x（100米ドル／月）	約1〜2.5時間
Pro 20x（200米ドル／月）	音声は無制限
Business	約45分
Enterprise／Eduのレガシープラン	約45分

Pro 20xでも、Voiceから起動するCodexタスクは無制限にならない。クレジット制または従量課金のBusiness、Edu、Enterpriseでは、デスクトップ音声は1分あたり約6クレジットである。同時にアクティブにできるデスクトップ音声チャットは1本だけで、 APIキーからデスクトップ版Voiceを利用することもできない。²³

Plusの枠は短時間の試行や状態確認には使える。会議中や長い開発作業で継続的に指揮するなら、Pro以上または従量課金を前提に、音声時間と委譲タスクの消費を分けて計測する必要がある。

Chat向けVoiceとWork／Codex向けVoiceは利用条件が異なる¶

現在のHelp Centerは、同じChatGPT Voiceを2つの用途に分けて説明している。⁴

用途	主な提供面	利用枠
Voice in Chat	Desktop Chat、対応するWeb、iOS、Android	24時間のローリング枠
Voice in Work and Codex	macOS／Windowsデスクトップ、ペアリング済みiOS Remote	5時間のローリング枠とタスク枠

7月8日の公開直後にはBusiness、Enterprise、EduやデスクトップのWork、 Codexが対象外だったが、7月23日の更新でWorkとCodexへ拡張された。¹⁴ 古い提供範囲だけを根拠に「デスクトップでは使えない」と判断できない。

Remote自体はiOSとAndroidからデスクトップホストを操作できるが、 Voiceの製品ページが明記するモバイル経路は現時点でiOSだけである。²⁶ Android RemoteでWork／Codex向けVoiceも使えるとは、公開文書から確認できない。

企業導入では4つの境界を先に決める¶

ワークスペース管理者が提供条件を確認する。 EnterpriseとEduは2週間の早期アクセス期間から始まり、展開状況と設定に依存する。
セキュリティ担当者がScreen contextの共有範囲を決める。 appshotは表示外のアクセシブルテキストを含むため、許可するアプリを限定する。
運用担当者が音声枠とタスク枠を別々に記録する。 音声の継続時間だけでは、背後で動くCodexの消費を把握できない。
監査担当者が音声起点のイベントを実環境で確認する。 公開文書はCompliance APIと監査ログの機能を示すが、音声から起動、変更したタスクのイベント粒度までは説明していない。

承認操作も同じ権限モデルの内側で動く。しかし、画面を見ながらクリックする場合と音声で複数スレッドを変更する場合では、人が確認できる情報量が異なる。高影響の操作は、音声だけで承認を完結させず、対象、差分、実行結果を画面または監査ログで確認する運用が安全だ。

複数フォルダ対応が実行側の土台を広げる¶

26.715では、ローカルプロジェクトに複数の関連フォルダを追加できるようになった。¹Edit projectからフォルダを追加し、プライマリフォルダを1つ選ぶ。

新規チャット、Git操作、AGENTS.md、スキル、config.tomlの自動探索は、プライマリフォルダを基準に動く。セカンダリフォルダは検索、読み取り、編集の対象になる。

音声が複数タスクを指揮し、ローカルプロジェクトが複数リポジトリを参照できるため、今回の更新は会話面と作業範囲を同時に広げた。ただし、セカンダリフォルダの設定を自動探索しないという境界は残る。複数リポジトリ運用では、どのフォルダをプライマリにするかが権限と指示の基準になる。