スライド115枚、声だけで作った｜ChatGPT Voice×Codex音声対話LIVE

ただっち

多田啓二／AI開花マーケター

ひろくん

田中啓之／3方よしAI共創コンサルタント

家事と子育てのスキマで経営する3方よしAI共創コンサルタントの田中啓之、ひろくん（@passion_tanaka）です。月曜あさは、ただっち（多田啓二）との「AIと遊ぼう」実験回。今回のお題は、7月23日に出たばかりの「ChatGPT Voice」と、そこからつながるCodex（AIコーディングエージェント）との音声対話。声だけで仕事がどこまで進むのかを、2人で実際にその場で試した約37分です。

結論から言うと、想像より全然すごかった。ただっちはChatGPT Voiceに話しかけて、その場で自分のアプリの更新を頼んでいたし、私はCodexとの音声対話でスライド115枚を生成させ、LP・漫画・ゲームも同時並列で走らせてみた。しかも私自身、途中で「タラッチ」って言い間違えて、自分で「タダッチね」って言い直す一幕もあったんだよね。そのくだりも含めて、LIVEを見てない人にも全容が伝わるように、まるっとお届けするね。

🎬 LIVE配信アーカイブ

今日はいつもと空気が違った。ただっちの第一声から、もう本題に入ってる。

ただっち（0:35〜）

「7月27日月曜日、今日はですね、ヒロ君と一緒にコーデックス音声対話検証ということで、AIを声で操作する時代が突入しております。音声対話でお話ししながらできてしまうので、本当にソファーに座りながら、寝ながらも仕事ができてしまう時代に突入します」

で、その言葉どおり、ただっちはすぐに手を動かし始めた。今朝、実験的にアプリを作ってみたという。

ただっち（3:58〜）

「今はまずChatGPTのボイスモードでずっと対話してたんですけど、今朝ちょっと実験的にアプリを作るっていうのをちょっとやってみました」

作ったのは「心の鏡」というアプリ。自分の本音をなかなか人に話せないタイプの人向けに、少し気持ちを整理するモード、今の自分を選ぶモードみたいなものを用意してあるらしい。ただ、ポチポチボタンを押すだけで終わっちゃう設計になってて、その先の分岐がまだ足りない。だったら——ってことで、ただっちはChatGPT Voiceにそのまま話しかけた。「おはようございます、おしゃべりできますか」。返ってきたのは、机の前に座ってタイピングしてる感じじゃない、本当に相棒に相談してるみたいな声だった。

ただっち（5:57〜）

「今これでヒロくん聞こえてた？これチャットGPの声聞こえてた？」

「聞こえてます」とひろくんが答えると、ただっちは「はい、じゃあその様式で作ってください、みたいな感じですね。本当におしゃべりすればできちゃうっていう感じですよね」と続けた。私はこれを画面越しに見ながら、素直に驚いてた。ちなみに、こういう音声対話は一人の環境じゃないとやりづらいという話も出てて、カフェとかだと周りの声を拾っちゃって難しい、と。私はそこで「喉に当てるマイクが売ってる」ってガジェットの話まで持ち出した。本当にボソボソ喋ってる、声がほとんど聞こえないぐらいの声量でも拾ってくれるらしくて、次はそれ買おうかなって話してた。

ひろくん（6:24〜）

「いやーすごい。でもあの、何が違うかって言ったら、あの右側の画面でどんどん作ってくれてしまうわけだね」

話してるそばから、右側の画面がどんどん更新されていく。「壁打ちして、悩み相談して、解決して」——それを俺がやるんじゃなくて、AIが実際に手を動かしてやってくれる。その内容をそのままブログに書いておいてとか、スライドの資料にしてとか。声で話をしていれば、Codexができる作業は全部できてしまう。ここまでで、もう今日の空気がだいたい伝わったと思う。キーボードじゃなくて、声。それがこの日の全部の起点だった。

ただっちの実演を見ながら、私も昨日、自分で同じことを試していた話を始めた。声だけで、どこまでできるのかを検証したくて、Codexに音声で話しかけながら、出てきたものをまとめておいてと頼んだんだよね。

ひろくん（8:35〜）

「一応私の方もやってみたいなと思うんですけど、その前にどんなことができるかっていうのも、昨日音声対話で試したやつを何ができるかを検証した結果を、スライドを作っておいてって頼んだら、大体115枚も作ってくれたんですよ。可能性の追求で、できそうなものを全部洗い出してもらったら、こうなりました」

115枚。数字を聞いて、ただっちも声が裏返ってた。私自身、この生成のプロセス全体を「音声対話で8割方できる」感覚で見てて、頭の中でぼんやり考えてたことが、そのまま形になっていくのが面白かった。

ただっち（9:58〜）

「へー、すげー。そこまでできるんだ。なんかChatGPTだと、スライドじゃあ10枚が限界じゃない？」

私も「そうそうそう」って笑いながら返した。Codexとの音声対話だと、10枚どころじゃない。あーじゃない、こうじゃね、これはできる、できない、それいいじゃん——音声で壁打ちしながら、最後に「じゃあ全部その構成出して」って言ったら、まず10、11枚ぐらいでまとめてきた。「それ全部抜け漏れなく入ってるのか、サブエージェントにチェックさせて」って頼んだら、構成し直して「115枚です」って返ってきて、そのまま全部の画像を生成して、PDFになって出てきた。

ひろくん（10:10〜）

「すげーよ。ちゃんと全部ねテイストも揃ってるし」

ここがすごいところで、「話したやつをスライド化してPDFにしました」で終わりじゃなく、「それをチャットワークに送っておいて」とか「これを動画解説にしてYouTubeにアップしといて」まで、声だけで頼める。散歩しながらでも、ソファーで寝転びながらでも、AIチームが調査も企画も制作も検証も、パソコンの中の操作も全部やってくれる。私はこれを「もしもしAI君」の進化版だと思ってる。お客さん役になって相談を受けて、答えるとコンテンツができる——その発想を、もう一段先まで進められる状態になったんだよね。公開して終わりじゃなくて、公開したあとの反応を見て、分析して、改善して、次はもっと伝わる問いを立てる。このループエンジニアリングも、話をしていれば全部回せてしまう。仕組みさえ整えておけば、家事や子育てをしながらでも、この循環は勝手に前に進んでいく。もちろんこの仕組みを最初に整える手間だけは、ちゃんと自分でやらなきゃいけない。そこさえ済ませておけば、あとは声だけでいい、という順番なんだよね。

ここからが、今日いちばんライブ感があった場面。私が実際に、ライブ中にCodexの音声エージェント（普段「ゆんちゃん」って呼んでる）に話しかけてみた。

ひろくん（15:56〜）

「続けていけるよ。どうした？　なんか今朝ライブ中だから、ただっちと何かデモしたいんだけどさ。AGIコクピットと連携するとか、ちょっと普通じゃできないやつとかもやりたいし、あとクロードコードとやっぱ連携したいなってのもあるから、なんかおすすめのデモあるかな」

すると、AI側から出てきたおすすめが「内部共同司令室企画」——私がアイデアを出して、相方がローコードで形にする、というもの。私は最初「なんかライブ中だから、AGIコクピットと連携するとか、普通じゃできないやつをやりたい」って漠然と伝えただけなんだけど、AIはそこから「ライブ中でも安全にできる方法」までちゃんと考えて提案してきてた。ただ、私自身「タラッチとなんかそういうデモしたいんだけどさ」って、その相方の名前を言い間違えてた。すぐに自分で「タラッチじゃなくて、タダッチね。タダッチ、タダッチ」って言い直す。AIも「タダッチね、了解」って返してきて、その場にいたただっちも笑いながら聞いてた。声で操作する時代とはいえ、名前はまだちゃんと教えてあげないといけないらしい。

で、私が本当に頼みたかったのは、企画会議じゃなくて、実際に手を動かして何かを作ることだった。

ひろくん（16:55〜）

「そうじゃなくてさ、そうじゃなくって何か成果物を作りたいわけ。例えばアシュラでLP作るとかさ、ゲーム作るとかさ。なんかそういう普通のコーデックス音声対話ではできないようなこと？　AI氣道のブログ書くとかさ」

すると、こちらの要望を受け取ったAIが「AGIコクピット連動のAI仕事部屋シミュレーター」を提案してきた。視聴者が依頼を選ぶと、コックピットで仕事が生まれてAIたちが動く、という仕組み。「5分でできるやつがいい」と伝えると、LP1枚と、同じ内容の漫画・ゲーム版まで、方向性を広げて作ってみるという返事。さらに「今日のAI最新ニュースも並行して調べておいて」「新規セッション作ってもいい」と重ねて頼むと、AIは複数のセッションを同時に立ち上げた。「いくつかセッションを同時進行にして、ニュース、ゲーム版、漫画版を別々に進めるよ。さらに4本の漫画の制作もこんな感じで進んでるよ」とAIから報告が来た。私は画面を覗き込みながら「あそこ見えるん、ここで、キャッチライブ用のでも3本揃ったよ」って実況してたんだけど、正直に言うと、実際の画面までは私自身しっかり見えてなかった。

ひろくん（20:45〜）

「見えないけど、できてきたそうなんですけど、多分見えないの、ちゃんと作ってないはずなんで。でも、してはイメージとしてはこんな感じで」

正直、そこまで見せられなかったのは今回の反省点。ただ、声で「あれ作って」「これも並行で」と頼んだ分だけ、AI側で何かしらの作業が動き出す感覚そのものは、はっきり伝わってきた。声で話しかけただけで、AIチームが同時に動き出す——これがCodexの音声対話の底力なんだと思う。Codexで「自分専用アプリ」を作る話はまっちんぐー朝LIVEの記事でも取り上げているので、あわせて読んでみてほしい。

並列で複数のセッションが同時に動く様子を見て、ただっちが素直に驚いてた。

ただっち（22:50〜）

「なるほどねー、並列処理できるのいいね。なんかChatGPTだと、その対話だともう全部それ用の専用のチャットになっちゃうけど、並列処理できるっていうのは衝撃」

ここ、私も一番伝えたかったところ。Codexの中だけで処理してるんじゃなくて、クロードコードやグロック、他のローカルのAIとか、普通にAPIをかませて色んなAIを全部同時に動かすこともできる。実際にその場でこんな役割分担のイメージを話した。

ひろくん（23:26〜）

「ブログはこの英訳を書くとか、そういうんじゃなくて、タイトルはこのジェミニが担当します。本文はオーパス5が担当します。リンクチェックはグロックに合わせます、とか。そういうふうにチームで勝手に分けてもらって、最後のチェックはコーデックスがやってもらう」

総監督の窓口はCodexがやってるんだけど、プロジェクト全体の参謀とか軍師役に、Fable5を置いておくというイメージも話した。迷ったときとか、視野が狭くなってしまったときは、Fable5にじっくり考えさせて、出てきたものをCodexの窓口が対応する。とにかくこの1人（1つの音声窓口）に話をしていれば、できないことが何もない。今プロジェクトどうなったっけ、って聞けば、下にいるAIチームの状況を報告してくれる。相談相手の窓口を親分にしておくのがポイントで、配下のAIたちは話しかけなくても状況を見て報告してくれる。漫画を作りながら、動画を作りながら、LPを作りながら——それを全部動作チェックして、問題なければ公開してもらって、Xやfacebookに投稿してもらって、反応がよかった投稿を参考に次に生かしてもらう。ここまで音声だけで完結する。

これ、経営っていう言葉で捉え直すと分かりやすい。窓口に話しかけるだけで、下のチームが勝手に動いて、勝手に報告が上がってくる——まるで優秀な右腕に、スーパーなAI秘書として仕事を任せてるような感覚なんだよね。会話も見れるし、外からでも聞ける。だからこそ、これを知ってる人と知らない人の差は、これからかなり大きくなると思う。逆に言うと、話はできるけどキーボードを打つのは嫌だとか、聞かれたことに答えるのはできるけど自分でプロンプトを打つのは苦手、っていう人が実は多い。組織の制約が多い大企業より、トップダウンで決められる小さな会社や一人社長の方が、この使い方は先に進めやすいと思ってる。本業に手をつけずに副業からこっそり試してみる、というのも十分ありだと思う。

ここまでの話、便利は便利なんだけど、正直「キーボード打つのが嫌」「プロンプト自分で打つのは無理」で止まってる人も、日本にはめちゃくちゃ多いと思う。ただ、それって裏を返せば、話はできるけどタイピングが苦手な人にとっては、大チャンスってことでもある。ただっちがこう言ってた。

ただっち（27:43〜）

「もうだいぶ変わってきますよね。上司が上司じゃなくなる。もう本当にひっくり返る。パソコンできなかった人、本当に思いはあるんだけどっていう人が、かなり活躍できるんじゃないかなと思います」

両手が塞がっていてもできる、っていうのもポイント。子供を見ながらでも、料理をしながらでも使える。これから伸びしろが大きいのは、こういうAIエージェントを実際に現場に入り込んで扱える人だと思ってて、それはそれでまた新しい仕事のかたちになりそうだなと感じてる。私が例に出したのは、現場で手を動かしてる人たちの話だった。

ひろくん（28:08〜）

「町工場でそれこそ作業してる、農家さんが作業してる途中とかでも、AIと楽しく対話してたら、『今日のこのキャベツ、いい感じにできてるわー』って思って、ブツブツ言いながらできてたら、『なんでそんな美味しいキャベツ作るんですか』『いや、うちはやっぱりなんといってもこの土が違うんだよねー』とか。そのままブログとYouTubeとXに、いつも通り全部やっといてって言ったら、終わってるみたいにできる」

飲食店にもこれは効くと思う。こだわって料理してるのに、そのこだわりがちっとも表に出てこないお店って、実は多い。それをAIがインタビューしながら、調理していく様子を撮影して、記事まで書いてくれる。「うちのこだわりカレーは48時間の熟成にあります」——料理人が嬉しくてウキウキ話しちゃうのを、そのままコンテンツにできる。カメラを目のようにつけて、「なんでお醤油入れたんですか」「寝かせないと馴染まないから」って、根掘り葉掘り聞いてくれる相棒がいる感じ。ただっちは「うちの不登校の子どもたちもそうだけど、イマジネーションがめちゃめちゃ発達している人がいる」とも言ってた。外に出れない人、介護をしてる人・されてる人。実業や、フィジカルじゃないとできない現場の人たちが、これを組み合わせた瞬間にスパークすると思う。しかも今後は、メガネにカメラとマイクがついて、そのままネットにつながる時代がすぐそこまで来てるとも話した。本を読みながらぶつぶつ独り言を録音して、あとで書評ブログにする、みたいな使い方も、メガネ1つでできるようになる。声だけで働ける時代は、パソコンが得意な人だけのものじゃない。むしろ、今まで蚊帳の外だと思ってた人にこそ、開かれてる時代だと思う。

ここまでさんざん「声だけで仕事が終わる」話をしてきたけど、最後にただっちが持ってきたのは、その逆側の問いだった。

ただっち（33:39〜）

「そうね、なるほどね。いやー、音声で喋れるといろんな革命ができると思いますし、でも逆に人にしかできないことは何かっていう、そこを突き詰めていく必要があるなと思いますね」

私が真っ先に返したのは、感じる力。喋らなくてもいいって思ったら、もうどんな姿勢での世界になるんだろう、って。

ひろくん（34:02〜）

「喋んなくてもいいって思ったら、もうどんな姿勢での世界になるんだろうね。テレパシー使えるようになるって言ってますけど、マジでテレパシー使えるんだろうなと思います」

忖度抜きに、思ったこと・感じたことをそのまま出す。凸凹ありのまんまでいい、っていう時代になりそう。障害がある人、子供たち、お年寄り——これから一気に、こっちが指示しなくても動いてくれる世界になる。日本の伝統文化とか、芸術とか、非言語の領域の職人さんとか、スポーツやフィジカルの現場、医療現場、料理——その辺にものすごい宝物がいっぱいある気がする、って話で今日はいったん締めた。「声だけで働ける」がゴールなんじゃなくて、そこで空いた分の時間と注意力を、人にしかできない「感じる」ことに使う。今日の実験は、その入り口を実際に見せてくれた約37分だったと思う。