ChatGPT Voiceがアプリ連携に対応。Geminiの音声生成、YouTube・AWSの新機能

OpenAIは9月23日、ChatGPTの音声会話から接続済みアプリやWorkの作業を呼び出せるようにしたと発表しました。スマートフォンでも、会話を続けながら文書やスライドの作成を依頼できます。今回広がったのは、既存の作業機能を「話しかけて使う」入口です。

1. ChatGPT Voiceでアプリを使えるように。承認が必要な操作は画面で行う

OpenAIのリリースノートによると、Live音声会話でのプラグイン利用はWeb・iOS・Androidに対応します。プラグインは、外部アプリとの接続や作業手順などをまとめた機能です。自分のアカウントで利用できるアプリを、会話の途中で呼び出せます。

WorkでもWebとモバイルから音声を使い、文書・表計算・プレゼンテーションの作成やブラウザーでの作業を依頼できます。通話を終了しても、未完了の作業はテキスト上で続けられます。Free・Goで利用できるのは、それぞれのプランが対応するChat側のプラグインです。Workで音声を使うには、VoiceとWorkの両方へのアクセスが必要です。

コメント：依頼を話せることと、すべてを音声だけで完結できることは違う

今回の変更で、資料作成やアプリ連携そのものが初めて可能になったわけではありません。たとえば、外出先で資料の目的や直してほしい点を話し、作業の続きを文字で確認する、といった使い方を選びやすくなります。長い指示をスマートフォンで入力しにくい人には、作業を始める手間が減る更新です。

一方、Voiceの公式ヘルプは、承認が必要なアクションは画面上で確認・承認し、音声での承認には対応しないと明記しています。また、音声を使ってもアプリの権限は変わらず、Workの作業は通常のWork利用枠にも算入されます。「音声で頼めるから、画面も追加の利用枠も不要」と考えると、実際の使い勝手とのずれが生じます。

社内で案内するなら、「依頼は音声、成果物や必要な承認は画面」という使い分けまで伝えると、利用者が戸惑いにくくなります。これは作業を任せる経路が増えた更新であり、完成した資料の品質や作業の成功率が上がったことを示す発表ではありません。

2. Gemini 3.8 TTSが登場。声の表現力と、年内・年明けの料金を分けて見る

Googleは9月23日、文章を音声に変換する「Gemini 3.8 Flash TTS」と「Gemini 3.8 Flash-Lite TTS」を発表しました。APIの更新履歴では、一般提供の記載日は9月22日です。発表記事では、声の特徴を文章で指定する機能、話す速さや感情を行ごとに指示する機能などを案内しています。既存の声を複製する場合には、声の持ち主による同意の確認を求める仕組みがあります。

Googleの位置づけでは、Flashは演技や発音、方言の表現を重視するモデルで、Flash-Liteは大量生成や応答の速さ、費用を重視するモデルです。ただし、声の設計・複製は上位のFlashだけの機能ではありません。公式のモデル比較では両方が対応し、対応言語数はFlashが130、Flash-Liteが101とされています。日本語は両方の対象です。

音声出力の価格は、2027年1月から現在の2倍になる

公式料金のStandard利用では、次の価格が案内されています。単位は100万トークンあたりの米ドルです。テキスト入力と音声出力は別々に課金されます。

旧モデルの現行単価に対して、Flashの音声出力単価は年内なら55％低く、年明け以降は10％低い計算です。Flash-Liteはそれぞれ70％、40％低くなります。継続して音声を制作する場合、年内の試用費用だけで年間予算を決めると、見積もりが小さくなります。表はStandardの単価比較であり、Batch利用や生成し直した分の費用を含む総額比較ではありません。

コメント：聞き心地の評価が高くても、長い台本への適性は別に確かめたい

独立した評価機関Artificial AnalysisのProvider Voice Arenaの9月24日時点の表示では、Flashが約1,260、Flash-Liteが約1,235、比較対象となるElevenLabsのEleven v3が約1,167というElo評価でした。Eloは聞き比べでの好みを相対的な点数にしたもので、正答率ではありません。

この評価では、各社が用意した声を使います。評価方法にも、同じ声を複製して条件をそろえるControlled Voice Arenaとは区別すると書かれています。したがって、上の数字は提供される声を含めた聞き心地の参考になりますが、日本語の固有名詞を正しく読む確率や、数十分の台本で声が変わらないことを直接保証しません。点数差だけでFlashの追加料金に見合うかも決まりません。

実際の利用例として、開発者のSimon Willison氏は、Flashで2羽のペリカンが会話する音声を作り、1分18秒の出力に約20秒、費用は2.74セントだったと報告しています。短い対話を制作できた具体例ですが、単発の結果であり、日本語や長尺で同じ速度・品質が出るかは別の確認が必要です。

また、APIの仕様では、1回のリクエストで複数話者を生成する機能は、既成の声を使う最大2人の会話に対応します。自分で設計・複製した声を組み合わせる場合は、発話ごとに生成して音声をつなぐ方式です。「自分のブランドの声で対話コンテンツを作る」計画なら、この違いは制作工程に影響します。

音声モデルを選ぶ際に確かめたいのは、自社の台本で必要な表現を満たす最も安いモデルはどちらかという問いです。ナレーションなら固有名詞や数値の読み、会話劇なら話者の区別や感情表現を比べれば、聞き比べの順位だけを見るより用途に合う判断ができます。

3. YouTubeが制作支援を拡充。AIの助言と、視聴者を使ったテストをつなぐ

YouTubeは9月23日の「Made on YouTube」で、StudioやShorts向けの新機能を発表しました。公式発表では、動画の下書きに対する構成・テンポ・ストーリーの助言、チャンネルに合わせたサムネイル生成、過去動画のサムネイル見直しなどを挙げています。ShortsとYouTube Createには、会話でカットの並べ替えやトリミングなどを頼める編集アシスタントも組み込みます。

今後の提供予定には、最大3種類の動画編集版を比べるA/Bテストと、視聴者層に応じて3種類から見せる画像を選ぶ「dynamic thumbnails」があります。TeamYouTubeの案内では、Ask StudioのiPhone・Android対応も今後の予定とされています。発表内容のすべてが、日本の全アカウントですぐ使えるという案内ではありません。

コメント：「よさそうな案を作る」と「視聴者に合う案を探す」を分ける

企業が動画を運用する際、この発表で注目したいのは、生成機能の数だけではありません。台本やサムネイルを作る段階の支援に加え、公開後の反応を見て案を改善する機能が広がる点です。ただし、それぞれが答えられる問いは異なります。

AIが「導入を短くするとよい」と提案しただけでは、その動画の成果が上がるとは決まりません。動画の比較テストが使えるようになれば、その提案を別の編集版にして、実際の視聴者反応に照らせます。一方、サムネイルの出し分けは、同じ動画への入口を変える機能です。動画の構成を改善するテストと混同すると、何が結果に効いたかを見誤ります。

既存のYouTubeにもタイトルやサムネイルのA/Bテストはありました。今回は「AIが動画を作れるようになった」という一言よりも、下書きへの助言、編集、公開後の比較をどこまでStudio内で扱えるかという変化として見ると、発表の意味が分かります。

4. AWSのCloudWatch Omniは、エージェントの動作記録と評価をまとめる

AWSは9月22日のブログで「CloudWatch Omni」を紹介し、9月23日の新機能案内で一般提供を告知しました。既存のCloudWatchを基盤に、アプリケーションとAIエージェントの動作を同じ環境で調べられるようにするものです。開発者向けのIDE拡張と、チーム向けの独立したWeb画面を用意します。

エージェント向けの機能説明では、モデルやツールの呼び出しを追跡する記録、プロンプトの比較、正確さやツール選択などを確認する17種類の組み込み評価を挙げています。実際の動作記録からテスト用データを作り、設定を変えたときの評価結果・遅延・トークン使用量を比べられます。

IDE拡張自体は無料で、ローカルで始めることもできます。ただし、モデル呼び出しまで無料になるわけではありません。クラウドに記録を送る場合は、料金ページにあるデータ取り込み・保存・分析の費用が関係し、エージェント評価にはAgentCore Evaluationsの料金が適用されます。

コメント：「エラーなく動いたのに答えが悪くなった」を追いやすくする

エージェントは、通信エラーが出なくても、使うツールや答えを間違えることがあります。たとえば、プロンプトを変更して応答が速くなった一方、必要な資料を探さずに答えるようになった場合、速度だけを見れば改善に見えます。

CloudWatch Omniがまとめようとしているのは、そのときの実行経路と回答の評価です。同じ課題に旧設定と新設定で答えさせ、資料の参照やツールの呼び出しがどう変わったかを追えれば、「速くなった理由」と「回答が悪化した理由」を同じ記録から調べられます。

これは、エージェントの評価という考え方が初めて登場したニュースではありません。開発中の比較と運用中の記録を、CloudWatchの環境でつなぎやすくする更新です。組み込みの評価項目も、自社の正解や品質基準を自動的に理解してくれるわけではないため、まずは実際に困った回答を比較用データに含めると、採点が自社の問題を捉えているか判断しやすくなります。

---

Link AIでは、生成AIを適用する業務の整理やPoC計画を支援するAIアセスメントを提供しています。自社で試す機能と評価する項目を整理したい方は、お問い合わせください。