OpenAI 於 7 月 23 日（美國時間）宣布，已更新 ChatGPT 桌面應用程式，新增可透過說話來操作的「ChatGPT Voice」。使用者能以語音向 AI 代理下達指令，在電腦上完成各種工作。其底層採用本月推出的新語音模型系列「GPT-Live」，並率先在 macOS 版與 Windows 版應用程式中提供。
能真正「動手做事」的桌面版
過去 ChatGPT 的語音功能以問答對話為主。這次的桌面版則可用語音下達包含多個步驟的複雜指令，當 ChatGPT 需要確認時，使用者也能以語音回應。它從單純的語音聊天，升級為透過說話推進實際工作的操作方式。
ChatGPT Voice 同時支援面向日常業務的「ChatGPT Work」與程式設計助手「Codex」。它還能呼叫「電腦操作（computer use）」技能，自行前往網站與應用程式查找資訊，因此從查詢到執行都能只靠語音完成。在 OpenAI 公開的示範影片中，開發者以一句話下達「新增一個討論串、送出一個拉取請求，並找出某個錯誤的根本原因」，ChatGPT 便完成了這一整套作業。
底層是能同時聆聽與說話的新模型「GPT-Live」
新功能所使用的，是 OpenAI 本月推出的語音模型系列「GPT-Live（ChatGPT-Live）」。傳統語音助理通常是「你說完我再回」的輪流方式。GPT-Live 對此加以改良，採用一邊聆聽、一邊說話的全雙工方式。它能在不打斷對方的前提下插入「我了解了」之類的附和，同時把耗時較長的複雜推理交給後台模型處理，藉此在對話的自然度與處理的複雜度之間取得平衡。
在 macOS 上還能參考畫面內容，鎖定開發場景
macOS 版新增了名為「Appshots」的畫面辨識功能。在使用者授權後，ChatGPT Voice 可參考目前最前方的視窗及其顯示內容（包含替代文字）。由於能結合手邊的檔案與程式碼結構進行互動，其設想的用法是：開發者一邊以語音討論，一邊讓 AI 代理同時推進實際處理。這接近看著畫面口頭商量的體驗，讓人能雙手離開鍵盤繼續推進工作。
至於 Codex，OpenAI 表示還可透過 iOS 應用程式的遠端存取，在外出時以語音操作。
與手機版的差異，以及競爭對手 Anthropic 的動向
ChatGPT Voice 的手機版雖然在對話流暢度，以及被打斷時的處理自然度上有所提升，但並未設計成能在手機上實際代為操作。這次的桌面版更進一步，邁向「以語音執行工作」，這正是兩者的重要差異。
在語音代辦這個方向上加碼的，並非只有 OpenAI。Anthropic 也革新了對話助理「Claude」的語音模式，讓使用者可在 Opus、Sonnet、Haiku 各模型中選擇，並能以語音在 Gmail、Google 日曆、Slack 等已連接的應用程式中完成操作。以語音下達指令、推進實際工作的助理，正成為各家明確的競爭焦點。
總結
OpenAI 在 ChatGPT 桌面應用程式中新增了語音操作「ChatGPT Voice」，可用語音操控 ChatGPT Work 與 Codex 的 AI 代理。其底層是能同時聆聽與說話的新模型「GPT-Live」，在 macOS 上還能參考畫面內容。能以語音下達多步驟指令、甚至將開發工作交給它，正是它與以往不同之處。圍繞「以語音完成實際工作」的助理之爭，連同 Anthropic 的動向，正日益激烈。
