OpenAI、デスクトップ版 Codex に双方向音声制御導入

完全双方向音声機能（同時に聴取と発話が可能）を備えた「GPT-Live」オーディオ AI モデルを発表してからわずか 2 週間。OpenAI は、この技術を直接開発者のワークフローに組み込みました。

同社は本日、macOS と Windows 向けの ChatGPT デスクトップアプリで GPT-Live が稼働していることを発表しました。これにより、ChatGPT デスクトップアプリ内で別個の体験として提供されている「Codex」や「ChatGPT Work」といったエージェントシステムと直接連携が可能になりました。

2026 年 7 月 8 日の GPT-Live 初公開時、同社は同時に聴取と発話を行う連続音声モデルを導入しました。これにより、厳格なターン制（順番待ち）が廃止され、複雑な推論処理は GPT-5.5 などのバックグラウンドモデルに任せる仕組みとなりました。

今回のリリースでは、この対話機能を技術タスクへと拡張。ソフトウェアエンジニアは、自然な音声コマンドでマルチスレッドのコーディングジョブを調整したり、プルリクエストのレビューを行ったり、アプリケーションのデバッグを実行できるようになりました。

これにより、Codex と ChatGPT Work を利用する週次アクティブユーザー 1,000 万人以上にとって、「ハンズフリー」なソフトウェア開発の新たな時代が到来し、さらには対面でのグループコーディングパーティーも実現する可能性があります。Codex はもちろん OpenAI のコーディングに特化したモデルやハッチネスを指す名称ですが、同社は今年これをより広範な生産性プラットフォームへと拡張しました。

OpenAI の広報担当者は VentureBeat に対し、これは音声による操作が初めて導入されたケースであると述べています。OpenAI はプロモーション動画を公開しており、そこでは Codex デベロッパー体験エンジニアの Jason Liu 氏と技術スタッフの Guinness Chen 氏が、同じ部屋で同じ ChatGPT デスクトップアプリセッションに参加し、それぞれ異なる指示を出しながら同一のモデルと対話している様子が映されています。

新たに解放された機能

この統合の核心は、リアルタイム音声レイヤーを基盤となる実行エンジンから切り離す点にあります。

GPT-Live は、"了解しました"といった自然な応答を挟みつつもユーザーの会話を中断することなく流れる対話を実現していますが、実際には重い計算処理はバックグラウンドの推論モデルに任せています。

macOS 版デスクトップアプリでは、「Appshots」や画面コンテキスト機能を活用し、ChatGPT Voice が最前面のウィンドウだけでなく、ローカルファイルやコードベースの構造、アクティブなプラグインも同時に分析できるようになっています。

このアーキテクチャにより、開発者が会話を通じて問題を議論する一方で、エージェントが非同期でタスクを実行するというペアプログラミングのようなダイナミクスが生まれます。

手動でコーディングセッションを停止して詳細な指示を入力したりウィンドウを切り替えたりする必要はありません。開発者はハンズフリーでシステムを指揮できます。

フルデュプレックス・エンジンは、話すタイミングや一時停止、ツール呼び出しを動的に判断し、バックグラウンドのエージェントが複雑なコード修正を処理している間も、会話の文脈を維持し続けます。

音声だけでコーディングと複雑なビルドを指揮する

今回のアップデートの中核となる機能は、Codex と ChatGPT Work の環境間で複数のタスクを並行して実行できる点です。

ソフトウェアエンジニアは、1 つの発話プロンプトから複数の並列タスクリストを開始できます。例えば、機能リリースを控えた開発者は、「未解決の認証バグの調査」「保留中の API 移行プルリクエストのレビュー」「不足しているユニットテストの生成」を同時に実行するよう指示できるのです。

デスクトップアプリは、Slack の会話や GitHub リポジトリ、ローカルのコードベースなど、異なるコンテキストにまたがってこれらのアクションを調整し、問題の追跡を行います。

開発者は音声でデザインモックアップを実働可能なコードに変換することもでき、フロントエンド、バックエンド、テストレイヤーといった各層にタスクを分割して実行できます。

マルチフォルダプロジェクト（ビルド 26.715）や iOS を介したリモート実行に対応しているため、エンジニアはアプリケーションの切り替えやプロセスを一つずつ管理することなく、タスクの進捗状況を確認したり、エージェントからのプロンプトに回答したり、アクティブなジョブをリダイレクトしたりできます。

専用ライセンス

OpenAI の音声対応デスクトップ版リリースは、専有型の商用エンタープライズモデルに基づいて運用されています。Plus、Pro、Business、Enterprise、Education の各プランに加入した有料ユーザーのみがアクセス可能です。

個人開発者や企業のエンジニアリング部門にとって、この商業的な構造は、モデルの重み（ウェイト）、音声処理パイプライン、エージェントの状態アーキテクチャが完全にクローズドであることを意味します。

組織は基盤となるシステムを改変したり、自前でホストしたりすることはできません。さらに、ChatGPT Voice を介して開始されたタスクは、既存の Codex や ChatGPT Work プランの使用枠から直接標準的な使用量として消費され、音声トリガーによるアクションは通常のエージェントワークロードと同等に扱われます。

コミュニティの反応

開発者コミュニティは、自律的なコーディングワークフローへ継続的なフルデュプレックス（双方向）通話を導入することへの影響を即座に指摘しました。

ビルド 26.715 のリリース発表（音声統合と複数フォルダプロジェクトのサポートを詳細に記述）を受け、AI インサイダーの記者 [@ChrisGPT が X で次のように投稿しました。"本日、OpenAI は Codex と ChatGPT に音声機能とリモート支援機能をリリースします。パーソナル AGI への一歩です。"

初期の技術的なフィードバックでは、複雑なエージェントタスクをハンズフリーでオーケストレーションできることに対する熱狂的な反応が広がっています。特に、作業机から離れる際や、遠隔地でビルドパイプラインを管理する際にその価値が実感されています。