AIとの音声対話は「便利だが賢くない」——この評価が変わり始めています。開発者Simon Willison氏が公開した自作ツールの更新は、長い文書を読み込ませた上で、その内容について音声で議論するという使い方を実際に動く形で示しました。移動中や作業中に資料の内容を「耳と口で」確認できるなら、税務実務の隙間時間の使い方は変わります。
何が起きたのか
Willison氏は2026年6月12日、OpenAIのリアルタイム音声APIをブラウザから使う自作ツール「WebRTC Audio Session」の大幅アップデートを公開しました。このツールは2024年12月、OpenAIがWebRTC対応のリアルタイムAPIを出した直後に氏が作ったもので、ブラウザだけでAIとの音声対話ができます。
今回の更新の柱は2つです。
- 文書コンテキスト機能：大量のテキストをペーストして読み込ませた状態で音声セッションを開始できる。デモでは、DuckDBのセキュリティに関する技術文書を読み込ませ、その内容について音声で質問・確認するやり取りが示されました
- GPT-Realtime-2対応：OpenAIが「GPT-5クラスの推論能力を備えた最初の音声モデル」と位置づける新モデルを選択可能に。知識カットオフは2024年9月30日
インターフェースはAPIキーを入れて音声を選ぶだけのシンプルなもので、やり取りのトランスクリプト（文字起こし）も表示されます。個人開発のツールがAPIの公開から数日でこの水準に到達する、という開発スピード自体も含めて示唆的な事例です。
背景 ―― なぜ今なのか
これまでの音声AIには構造的な弱点がありました。応答速度を優先するため、音声モデルはテキストの最上位モデルより推論能力が一段低く、「雑談はできるが難しい内容は任せられない」存在だったのです。GPT-Realtime-2が「GPT-5クラスの推論を持つ音声モデル」を謳うことの意味は、この速度と賢さのトレードオフが解消に向かっているという点にあります。
「文書コンテキスト×音声」という組み合わせも重要です。音声対話の弱点は、複雑な前提を口頭で伝えにくいことでした。先に文書を読み込ませておけば、前提の共有はテキストで済ませ、確認と議論だけを音声で行える。テキストと音声の役割分担が設計として洗練されてきたわけです。
そしてもう一つ。Willison氏のようにAPIを直接叩いて自分用ツールを組む動きは、AIコーディングツールの成熟によって非エンジニアにも開かれつつあります。「既製サービスを待つ」以外の選択肢が現実になってきました。
税理士の視点で読み解く
①「読ませて聞く」は税務資料と相性がいい。 通達・裁決事例・改正大綱・契約書といった長文資料を読み込ませ、「この改正で顧問先の◯◯に影響する箇所は」「この契約の税務上の論点は」と音声で確認する——移動中・車内・資料をめくりながらの並行作業など、手がふさがっている時間を検討時間に変えられます。面談前の論点整理を通勤中に済ませる、といった使い方は現実的な射程に入りました。
②ただし、音声の「検証しにくさ」は税務実務では重い制約。 テキストなら出力を目で追って原典と突き合わせられますが、音声は流れて消えます。数字の聞き間違い・条文番号の言い間違いに気づきにくく、AI出力の検証プロセスが業務要件になりつつある流れとは緊張関係にあります。音声で得た結論を業務に使うなら、トランスクリプトを残し、重要な数字・根拠は必ずテキストで再確認する——この二段構えが前提です。
③守秘データの扱いは音声でも変わらない。 個人のAPIキーで動く実験的ツールに顧問先の実データを貼るのは論外で、データ保持ポリシーの確認という原則は入力手段が音声になっても同じです。まずは公開情報（公表された通達・パブリックコメント・自分の学習用資料)で試すのが正しい入口です。
④「まだ既製品がない」ことをどう捉えるか。 この機能は現時点では開発者の自作ツールであり、明日から誰でも使える製品ではありません。ただ、過去のパターンでは、この種のデモから半年〜1年で一般向けサービスに降りてきます。今のうちに「自分の業務のどこに音声インターフェースが刺さるか」を考えておくと、製品が出た瞬間に動けます。技術を追う目的は先回りではなく、初動を速くすることです。
実務家のアクション
- 公開資料で「読ませて聞く」を試す：改正大綱や公表通達を使い、音声での確認がどの程度実用的かを体感しておく
- 音声で得た結論はテキストで裏取りするルールを決める：トランスクリプトの保存と、数字・条文の原典確認をセットにする
- 顧問先データは実験ツールに入れない：試すのは公開情報のみ。業務投入はデータポリシーを確認できる製品が出てから
- 「手がふさがっている時間」を棚卸しする：移動・待ち時間・単純作業中など、音声インターフェースが埋められる時間帯を特定しておく
- 半年後の製品化を想定してウォッチを続ける：ChatGPTアプリ等への同種機能の搭載が実務投入のタイミングになる