ChatGPTの音声が、いよいよデスクトップへ。声でパソコンを操作し、AIエージェントを指揮する（Mac・Windows対応）

OpenAIは何を出したのか

2026年7月23日、OpenAIは「ChatGPTの音声がデスクトップアプリに来た」と発表しました。OpenAIの言葉を借りれば、「声だけで、パソコンを操作し、ChatGPT WorkやCodexで動く複数のエージェントを指揮できる」。提供は同日から世界的に、macOSとWindows向けに、Plus／Pro／Business／Edu／Enterpriseの各プランで順次スタートしています。

エンジンは、2週間ほど前に登場した全二重の音声「GPT-Live」です。話す・聞く・作業の段取りを同時にこなせるので、体験は「ボタンを押して返事を待つ」より「話しながら物事が進む」に近い。音声モードで新しいチャットやタスクを立ち上げ、そのまま別スレッドで走っている作業を「始めて」「様子を見て」「こっちに寄せて」と声で動かせます。

下支えするのは、OpenAIがすでに出してきた部品たち。画面上で操作を実行するComputer Use、ローカルファイルへのアクセス、そしてプラグイン。さらにMacには「Appshots」という一手が加わります。いま手前に開いているアプリのウィンドウを参照できる仕組みで、話しかけたときに「何を見ているか」という文脈をきちんと踏まえてくれます。

まずは、OpenAI自身の発表がこちらです。

「声でパソコンを操作する」とは、どういうことか

「声でパソコンを操作する」は、何十年も語られてきたSFの約束でした。今回の発表で見逃せないのは、OpenAIの一文の後半――「複数のエージェントを同時に指揮する」の部分です。これは単なる音声入力ではないし、1つのアシスタントが1つの質問に答えるのとも違う。いわば、AIの“作業チーム”を声でまとめる指揮者です。

具体的には、デスクトップでChatGPTの音声を開き、あるChatGPT Workのスレッドで調べもの、別のCodexのスレッドでコーディングを走らせ、それらを話しかけて束ねていく。ひとつの進み具合を尋ね、別のものを軌道修正し、さらに三つ目を立ち上げる――キーボードに手を伸ばさずに、です。GPT-Liveの全二重設計があるからこそ、「フォームに入力する」のではなく「人に仕事を任せる」感覚に近づきます。

Macでは、Appshotsがいま見ているウィンドウを会話に引き込みます。だから「画面の内容をまとめて」「この資料を使って」がちゃんと意味を持つ。さらにComputer Useと組み合わせれば、ChatGPTはあなたのマシン上で実際の操作にも踏み込めます。OpenAIとして「パソコンに話しかけて動かす」体験にもっとも近づいた一手であり、インターフェースとしての音声にとって、確かな節目です。

デスクトップのChatGPT音声と、“システム全体で動く音声レイヤー”

では、デスクトップのChatGPT音声があれば、ほかの「パソコンに話しかける方法」はすべて要らなくなるのか。そうとも言い切れません。声で働き方を決める前に、この違いは押さえておく価値があります。カギは、「その音声がどこに住んでいて、何に触れられるのか」です。

ChatGPTの音声は、ChatGPTアプリの“中”で力を発揮する音声です。作業がChatGPT自身のエージェント（WorkやCodex）で起きているときに真価を出します。いっぽう“システム全体で動く音声レイヤー”は、逆のアプローチ。OS全体の上にかぶさり、あなたが普段使うすべてのアプリの中で動くので、声が1つのウィンドウに閉じ込められません。両者を並べてみましょう。

音声が「OS」になっていく

個々の機能から一歩引くと、向かう先ははっきりしています。最大手のAI企業が、デスクトップアプリの中心に音声を据え、「パソコンを操作し、エージェントを動かす手段」として打ち出す。これは、私たちが1年ほど言い続けてきた賭けと同じです。話すことは、キーボードやマウスと並ぶ、機械を動かす主役になりつつある。

コンピュータの大きな転換は、いつも“人の意図”に近づく方向へ進んできました。コマンドラインで正確な命令を打ち、GUIで指して選び、タッチで指先が直接触れるようになった。次に来る自然な層が「声」です。話すことは人にとっていちばん慣れた伝え方で、そしてAIはようやく、言葉そのものではなく「何を言いたいか」を汲めるところまで来ました。

だからこの発表は、ChatGPTの枠を越えて効いてきます。業界が「音声＝操作の土台」へと寄っていることを、これ以上なく公に示す一手だからです。もう問いは「パソコンに話しかけるかどうか」ではありません。「そのとき、どの音声がすべてのアプリの中に、一日じゅういてくれるのか」です。

正直な限界：1つのアプリか、仕事のすべての場所か

ここで、落とし穴も正直に。これは、1つのアプリの中に住むアシスタント全般に当てはまる話です。デスクトップのChatGPT音声は、ChatGPTのエージェントを指揮させれば見事。でも、私たちの仕事の大半はChatGPTの中では起きません。Gmail、Slack、Notion、ブラウザ、カレンダー、コードエディタ――そこで起き、しかも「チャットで話す」だけでなく「そのアプリの中で実際に手を動かす」ことばかりです。

1つのアプリの中だけで優秀な音声は、しょせん“優秀なチャットボット”。いっぽう、どこでも使えて、どの入力欄にも文字を入れ、すでにある文章を直し、画面に映るものを読み取り、複数のアプリをまたいで実際に操作できる音声は、もはや“OS（土台）”に近い。ここが、「コンピュータと話す」ことと、「いつも使っている道具の中で、コンピュータに仕事をさせる」ことの分かれ目です。

これはまさに、以前に整理した「音声入力（ディクテーション）」「音声エージェント」「本物の音声レイヤー」の境界線そのもの。OpenAIの発表は、デスクトップでの会話を力強く感じさせてくれました。次の問いはこうです。その声は、あなたの作業を1社のアプリへ引っ越させることなく、“普段使っているすべての上で”何ができるのか。

そこで、VoiceOSの出番です

VoiceOSは、MacやWindowsのための“システム全体で動く音声レイヤー”です。1つのアプリに閉じ込められていません。トリガーを押して普通に話すだけで、カーソルのある場所に合わせて言葉を最適な形に整えます。きちんとしたSlackの返信、読みやすいメール、別のAIツールへのプロンプトを、いま開いているアプリのトーンに合わせて仕上げます。

しかも「話す」で止まらず、「実行する」まで踏み込みます。Agent Modeなら、画面に映る内容について質問し、書いた文章を直し、Gmail・Slack・Googleカレンダーなどの連携アプリをまたいで実際に操作できます。もちろん、大事な送信の前には確認が入ります。ChatGPTの音声がChatGPT自身のエージェントを指揮するのに対し、VoiceOSは“あなたがいま開いている普段のアプリ”を指揮します。

この2つは、じつは敵同士ではありません。デスクトップのChatGPT音声は、「もっとパソコンに話しかけよう」と思わせてくれる強い理由。VoiceOSは、その習慣を“ほかのすべての場所”でも、Mac・Windowsの実際の仕事の中で活かす方法です。

今日から声でパソコンを操作し始めるには

OpenAIの発表で気になったなら、いちばん手早く体感する道は「リスクの低い文字入力」から。音声レイヤーを使って、いつものアプリでメッセージ・メモ・メール・AIへのプロンプトを声で書いてみましょう。ソフトを入れ替える必要も、コマンドを覚える必要もありません。カーソルを置いて、話すだけ。たいていの人は数分で速くなります。

慣れてきたら、声で文章を直し、画面の内容について尋ねてみる。粗いドラフトを話しかけて整え、いま見ているものについて質問する。ここで音声は“入力”を超えて、あなたのペースについてくる“相棒”になり始めます。

そのうえでAgent Modeを使い、返信の下書き、カレンダー予定の作成、アプリをまたいだ手順の連結といった“実際の操作”へ。送信の前に見直せるよう、確認のループはオンのままで。細かい正確さはキーボードとマウスに任せ、意図は声で伝える。それが、いま持っているアプリのままで「声でパソコンを操作する」今日的なやり方です。

よくある質問（FAQ）