CursorとGoogle、コーディングエージェントに双方向音声機能を追加

AI支援ソフトウェア開発における2つの主要プレイヤーが、コーディングエージェント向けの双方向音声機能を導入しました。2026年11月9日、CursorとGoogleはそれぞれ、エンジニアがAIツールと音声で会話でき、タイピングなしでリアルタイムな更新や割り込みが可能になる機能を発表しました。この動きは、OpenAIがCodexプラットフォームに同様の音声機能を統合したのに続くものです。

何が起きたか

Cursorは「Voice Chat with Agents」をリリースしました。これはxAIのGrok Voice技術を採用した機能です。これにより、開発者はエージェントとの通話を開始し、変更内容を口頭で説明したり、エージェントが作業中の進捗状況を音声で聞いたりできるようになります。この機能は、CursorのWebインターフェース、iOSアプリ、デスクトップクライアントで利用可能です。ほぼ同時期に、Googleもエージェント型開発プラットフォーム「Antigravity」向けに「Voice mode」を導入しました。Gemini Liveを活用するこの機能により、Antigravityのデスクトップアプリケーションおよびコマンドラインインターフェース（CLI）での音声対話が可能になります。

これらの発表は、単純な音声入力からインタラクティブな対話への転換を示しています。従来の音声機能は主に音声からテキストプロンプトへの変換を行っていましたが、新しいツールではオープンな音声チャネルが維持されます。開発者はエージェントの思考を聞き、追加質問をしたり、要件が変わった際にプロセスを中断したりできます。Googleの開発者関係エンジニアであるNick Van der Auwermeulen氏は、バグをチームメイトと議論するなど、エンジニアリング作業はしばしば声に出して行われることを指摘しました。彼は、音声モードによって人間とエージェントの協働における自然なリズムが回復されると論じています。

対照的に、AnthropicのClaude Codeはまだ双方向音声に対応していません。メインのClaudeアプリは双方向音声チャットをサポートしていますが、Claude Codeは現在/voiceコマンドによる音声入力のみを提供しています。つまり、ユーザーは指示を音声で入力できますが、エージェントの応答はテキストのみとなります。この違いにより、コーディングタスクにおける音声ベースの対話モデルにおいて、AnthropicはCursor、Google、OpenAIの後塵を拝することになります。

仕組み

これらの機能の中核にあるのは、音声を一回限りの入力手段として扱うのではなく、永続的な音声セッションを維持するメカニズムです。GoogleのAntigravityでは、デスクトップアプリで波形ボタンをクリックするか、CLIで/voice liveを実行することで通話を開始します。エージェントは音声で回答し、コード変更の実行中も回線を維持します。ユーザーはエージェントの発言中に割り込んで指示を明確化したり、特定のアクションを承認したりできます。タスクが完了すると、エージェントはテキスト形式の要約と、同じチャットインターフェース内でコード変更を確認するためのリンクを提供します。

Cursorの実装も同様に動作しますが、Grok Voice APIに依存しています。ユーザーは変更の説明、エージェントの現在のステータスへの問い合わせ、音声による進捗報告の受信が可能になります。このシステムはコンテキストスイッチを減らすよう設計されており、開発者はコードや他の視覚要素に集中しながら、聴覚からのフィードバックを受け取ることができます。両システムとも、静的なテキスト交換よりも迅速に問題を解決できる継続的な音声フィードバックループというペアプログラミングのダイナミクスを模倣することを目指しています。

主な詳細

• CursorのVoice ChatはxAIのGrok Voiceを使用し、Web、iOS、デスクトップで利用可能です。
• GoogleのAntigravity Voice modeはGemini Liveを使用し、デスクトップアプリとCLIで動作します。
• 両プラットフォームとも、ユーザーはタスク実行中にエージェントに割り込んで指示を調整できます。
• AnthropicのClaude Codeは現在、片方向の音声入力のみをサポートしており、双方向音声には対応していません。
• OpenAIは2026年2月と9月にCodexへ双方向音声を追加しました。
• GoogleはコーディングツールをAntigravityに集約しており、Julesの廃止とGemini CLIユーザーの移行を進めています。

なぜ重要なのか

ソフトウェアエンジニアにとって、双方向音声の導入はAIエージェントとの対話における摩擦を軽減します。従来のテキストベースのプロンプティングでは、コードエディター、チャットインターフェース、キーボードの間で頻繁にコンテキストスイッチを行う必要がありました。音声による割り込みや更新を可能にすることで、これらのツールはより流動的なワークフローを実現します。開発者は視覚的な集中を切らずに長時間実行されるタスクを監視できるため、複雑なデバッグやリファクタリングセッションで特に有用です。

この変化はまた、開発環境におけるマルチモーダルインターフェースへの広範なトレンドを示唆しています。エージェントがより自律的なタスクを引き受けるにつれ、リアルタイムでの監督ニーズが高まります。音声は、こうした監督のための低帯域幅かつ高関与度のチャネルを提供します。曖昧な要件の迅速な明確化や、イテレーションサイクルの高速化が可能になります。これらのツールを導入したチームは、AIとの協働がより自然になり、エージェントを検索エンジンではなく、問題について話し合えるジュニアパートナーのように扱えるようになるかもしれません。

今すぐできること

• デスクトップまたはiOSでCursorを利用している場合、新しいVoice Chatを試してみてください。
• Google Antigravity CLIで/voice liveコマンドを実行し、ターミナルベースの音声対話を体験してみてください。
• 特定のコーディングタスクにおいて、Grok VoiceとGemini Liveの遅延および精度を比較してみてください。
• エージェントの長時間実行時に、音声割り込みがテキスト確認と比較してワークフローを改善するか評価してみてください。
• Claude Codeがいつ双方向音声に対応するか、Anthropicのロードマップを注視してください。
• 音声対応エージェントが、チームのペアプログラミングやコードレビュープラクティスにどのように組み込めるか検討してみてください。