OpenAIは2026年7月23日、ChatGPTデスクトップアプリのWorkとCodexでVoiceを利用できるようにした。対象となるアカウントでは、話しかけてタスクを始め、実行中の作業へ割り込み、複数のエージェントを調整できる。Voiceが応答を読み上げる会話機能から、エージェント作業を運転する操作面へ広がったのである。ただし、Voiceが使えるツールと操作権限は、選択したWorkまたはCodexの範囲内にあり、利用時間とタスク実行量も同じ枠ではない。
ChatからWork／Codexへ、音声の役割が変わった
今回の追加は、7月に進んだ三つの更新の接続点に当たる。OpenAIは7月8日、消費者向けChatGPT VoiceにGPT-Live-1を導入した。有料プランはGPT-Live-1、FreeはGPT-Live-1 miniを使い、モデルが聞くことと話すことを同時に処理する。ユーザーは回答中に割り込めるほか、音声を聞きながら同じチャット上でストリーミングされる文字も追えるようになった。
翌9日には、長い複数工程の仕事を担うChatGPT Workと、新しいデスクトップアプリが発表された。Workは調査や分析を進め、文書、表計算、プレゼンテーションといった完成物を作る。一方のCodexは、コードの作成やデバッグ、テスト、リポジトリ作業を受け持つ。Chat、Work、Codexは役割を分けたまま、macOSとWindowsの同じアプリに収まった。
7月16日には、ChatとWorkを切り替える画面と、両者の会話をまとめる履歴が稼働した。Projectsもアプリに入り、クラウド上のWorkを端末間で引き継げるようになった。7月23日の更新は、その実行面にVoiceをつないだ。GPT-Live-1が自然な会話を担い、WorkとCodexが実作業を進める。音声モデルの入れ替えよりも、会話からエージェントへ仕事を渡し、その後も声で介入できるようになった点が大きい。
タスク開始から複数エージェント調整まで
Voice in Work and Codexは、最初の音声指示を受けた後も働く。ユーザーはタスクを開始し、優先順位を変え、中断または方向転換できる。作業はバックグラウンドで続き、Voiceはブロックや完了を音声または画面で知らせる。長い仕事を任せた後、手をキーボードへ戻さず監督できる設計だ。
複数エージェントをまたぐ操作も含まれる。Voiceはアクティブな会話とProjectsを横断し、どの作業を先に進めるかを調整する。対応するプロジェクト文脈と接続ツールがあれば、文書やカレンダーを使う作業も再開できる。連絡先やコミュニケーション手段も対象だ。たとえば会議準備のWorkと、関連する実装を進めるCodexの状況を聞き、片方を止めてもう片方へ条件を足す、といった監督が想定される。
操作中はChatGPTが聞いている状態を画面で確認し、マイクをミュートまたは停止できる。Liveの応答は話されるのと並行して文字で表示され、終了後も履歴から確認可能だ。ただし、Voiceのトランスクリプトは逐語録ではない。発話が重なった場合や背景雑音が入った場合、実際の会話と食い違うことがあるため、承認内容や作業条件は画面上の記録で確かめる必要がある。
画面共有より先に、権限の設計
OpenAIはVoice in Work and Codexについて、コンピューターを操作できると説明している。これは音声に新しい万能権限が付いたという意味ではない。Voiceは、選択中のWorkまたはCodexですでに利用可能なツールと権限を使う。音声は操作の入口であり、実行範囲を決めるのはエージェント側の設定だ。
利用開始にはマイクへのアクセスが要る。コンピューター上の文脈を扱う場合、macOSやWindowsのScreen & Audio Recording、Accessibility権限も必要になり得る。Workでローカルフォルダやデスクトップアプリを使えるかどうかは、プランとワークスペースの設定に左右される。ローカルのファイルと出力は、ユーザーが明示的に移動または共有しない限り、そのコンピューターに残る。
ここで、Liveの「画面共有」とWork／Codexの「コンピューター操作」を分けて考える必要がある。GPT-Live-1のLiveは当初、動画と画面共有に対応しておらず、これらは対象となるiOS／Android利用者がAdvanced Voiceで使う機能である。対してデスクトップ版のVoiceは、Work／Codexに許可されたComputer Useや接続ツールを音声から呼び出す。Liveの音声会話へデスクトップ映像を常時ストリーミングする機能とは別物だ。
提供面にも境界がある。Voice in Work and CodexはmacOSとWindowsのデスクトップ機能であり、Webやモバイルから単独では起動できない。ペアリングしたiOS端末からデスクトップ作業へリモートアクセスする経路は用意されるが、Codexそのものをモバイル上で選ぶわけではない。また、同時に開けるVoice会話は1件に限られる。
Business／柔軟課金Enterpriseの1分約6クレジット
Businessと柔軟課金のEnterpriseでは、音声でつながっている時間と、エージェントが実行する仕事が別に計測される。ChatGPT BusinessワークスペースにはVoice in Chatの1時間分が含まれ、追加分は1分5クレジットだ。Voice in Work and Codexは約1分6クレジットを消費する。さらに、Voiceから委任したタスクはWorkとCodexの共有エージェント利用枠から標準レートで差し引かれる。
この二層構造は、通常のChat Voiceとの違いをはっきりさせる。Chatで会話を続ける時間は通常の音声利用枠に属し、Codexの使用量を消費しない。Work／Codexで音声を使う場合は接続時間を計り、そこから開始した実作業は共有エージェント利用枠を使う。音声操作を長く開いたままにする運用では、会話時間と委任作業の両方を見積もる必要がある。
柔軟課金のEnterpriseでも、Voice in Chatは1分5クレジット、Voice in Work and Codexは約1分6クレジットである。従来型のEnterpriseでは、5時間の枠ごとにVoice in Work and Codexを約45分含む。個人向けを含む全プランに同じ数字が適用されるとは公表されていない。利用可否はプランと地域で変わり、ワークスペース設定とアプリの版にも左右される。
Enterprise、Edu、Healthcareでは、展開開始から最初の2週間、管理者が「Advanced voice capabilities」と「Early Model Access」を両方有効にしなければLiveを選べない。既存のAdvanced Voice会話が自動でLiveへ切り替わることもない。導入担当者には、モデルの選択より先に、役割別アクセス制御と利用上限を決める仕事が生じる。
音声による指示を監査できるか
音声でエージェントを動かすと、操作履歴の読み方も変わる。LiveとAdvanced Voiceの音声クリップは、チャット履歴に表示されるトランスクリプトとともに30日間保持される。会話を削除すると関連クリップも原則30日以内に削除されるが、アーカイブは削除に当たらない。話した内容と文字記録が一致しない可能性がある以上、重要な条件はタスク内のテキストとして残す方が確実だ。
学習利用については、音声・動画クリップと、トランスクリプトなどの内容で扱いが分かれる。音声・動画クリップは、利用者が明示的に共有を選ばない限りモデル学習に使われない。Business、Enterprise、Eduのワークスペースでは、そもそもVoiceの音声・動画クリップを学習用に共有できない。一方、トランスクリプトや添付ファイルの扱いはプランとデータ設定に従うため、管理者は音声保存とコンテンツ利用の設定を別々に確認すべきである。
Voice in Work and Codexは、エージェントへ仕事を渡す摩擦を大きく下げる。同時に、曖昧な口頭指示が複数の作業へ広がる速度も上がる。最初の2週間に必要な有効化を終えても、実務条件は残る。どのツールへ何を許可するか、音声時間とタスク量をどう管理するか、承認条件をどのテキストに残すかまで定めて、初めて声が安全な操作面になる。
