ChatGPTの音声で英会話を始めた人が、最初の3日でやめる理由はだいたい1つです。
聞き取れなかったときに、何と言えばいいのか分からないからです。
文字のチャットなら、分からない単語はそこに残っています。見返せます。
音声は残りません。聞き逃した瞬間に、会話が止まります。
つまり音声の英会話は、英語力の問題ではなく「立て直し方」の問題です。
この記事では、音声だからこそ崩れる場所を先に洗い出し、そこを埋める指示と英語フレーズを置きます。
公式ドキュメントから取れた事実と、こちらで書いた型は、はっきり分けて書きます。取得日は2026年9月12日です。
【結論】ChatGPTの音声で英会話をするときは、「聞き返し方」を先に決めます
話す話題や教材よりも先に、聞き返すときの英語を3本決めてから始めてください。
理由は3つあります。
1つ目は、音声では「沈黙」が一番のコストになるからです。文字なら考える時間はタダですが、音声では2秒の沈黙が焦りに変わります。
2つ目は、聞き返さないまま進めると、会話がそこで死ぬからです。分からないまま相槌を打つと、次の話題に移されて戻れなくなります。
3つ目は、聞き返しはAI側でも「先に決めておく項目」として扱われているからです。これは推測ではありません。
OpenAIが音声モデル向けに公開している指示の書き方のドキュメントには、プロンプトに置くべき見出しの並びが例示されています。その中に Unclear Audio（不明瞭な音声）という独立した見出しがあります（OpenAI Prompting Realtime models）。
同じページには、そこに書くルールの見本も載っています。逐語で引くとこうです。
- Only respond to clear audio or text.（はっきり聞こえた音声か文字にだけ応答する）
- If the user’s audio is not clear, ask for clarification using a short English phrase such as “Sorry, could you repeat that clearly?”（不明瞭なら短い英語で聞き返す）
- Do not guess what the user meant from unclear audio.（不明瞭な音声から意味を推測しない）
作っている側が「推測せずに聞き返せ」と書いているのに、使う側が聞き返せないのは、もったいない話です。
なお、このドキュメントは開発者向けのRealtime API用です。ChatGPTアプリの音声モードで同じ設定ができると書かれているわけではありません。
ただし「音声でどこが崩れるか」を一番はっきり書いている公式文書は、今のところここです。だから設計の参考として使います。
ChatGPTの音声で英会話をすると、文字チャットとここが変わります
変わるのは難しさではなく、失敗の形です。
その前に、音声のやりとりが技術としてどう作られているかを1行だけ押さえます。
OpenAIのRealtime APIの入門ドキュメントには、こう書かれています。The model works directly with audio, maintains conversation state, and can call tools.（モデルは音声を直接扱い、会話の状態を保持する）（OpenAI Getting started with the Realtime API）。
同じページは、音声で必要になる性質として barge-in, low first-audio latency, natural turn taking を挙げています。割り込み、最初の音が出るまでの速さ、そして自然な話者交代です。
つまり音声では「誰がいつ話すか」自体が設計対象になっています。文字チャットには存在しない論点です。
3つに分けられます。
1つ目は、言い直しができないことです。 文字なら送信前に直せます。音声は口から出た時点で確定します。
だから音声練習では「言い直しの英語」自体を覚える必要が出てきます。これは文字チャットでは一生身につきません。
2つ目は、訂正が耳に残らないことです。 AIが「そこはhaveではなくhasですね」と音声で言っても、5秒後には消えています。
音声で訂正させるなら、最後に文字でまとめさせる工程を必ず組み込んでください。これが後半の型④です。
3つ目は、沈黙が怖いことです。 相手が人間でないと分かっていても、間が空くと焦ります。
この「間」については、OpenAIのGPT-Live向け指示ドキュメントに面白い記述があります。考えている最中の沈黙をどう扱わせるかの見本として、Keep listening while the user pauses to think.（考えるために黙っているあいだは聞き続ける）という1行が挙げられています（OpenAI Prompting GPT-Live）。
つまり沈黙は、本来つぶすものではなく、扱いを決めるものです。
同じページには、割り込みについての記述もあります。Interruption policy: Stop speaking when the user interrupts. Listen to what they say.（割り込まれたら話すのをやめて聞く）です。
AIの説明が長いと感じたら、遠慮なく途中で割り込んでいいという設計思想がここに出ています。
ChatGPT音声英会話の1セッション設計｜15分を分単位で割ります
音声で最もやってはいけないのは「時間を決めずにだらだら話す」ことです。
記録が何も残らないので、翌日に同じ間違いを繰り返します。
そこで15分を分単位で割った表を置きます。これはこちらで組んだ設計で、公式の推奨ではありません。
| 経過 | 何をするか | 何を記録するか |
|---|---|---|
| 0〜1分 | 指示文を渡し、今日の話題を1つだけ声に出して宣言する | 話題を1行だけメモ |
| 1〜3分 | ウォームアップ。相手から3つ質問させ、短く答える | 記録はしない。口を動かすだけ |
| 3〜10分 | 本番。7分間、宣言した話題から離れない | 聞き返した回数を指で数える |
| 10〜12分 | 言えなかったことを日本語で言い、英語での言い方を聞く | 出てきた表現を3つだけ声に出して復唱 |
| 12〜14分 | 同じ話題をもう1周。さっきの3表現を必ず使う | 使えた表現の数を数える |
| 14〜15分 | 「今日の間違いを文字で5つ出して」と頼んで終える | 出てきた文字をそのまま保存 |
肝は最後の1分です。 ここを省くと、15分の音声は何も残らない15分になります。
そして「聞き返した回数」を数えるのは、上手さを測るためではありません。
聞き返した回数が増えている人ほど、会話が続くようになっています。
沈黙して固まった回数ではなく、声を出して立て直した回数を数えてください。
ChatGPT音声英会話の指示の型①｜訂正を「いつ」出すか指定する
音声で最初に指定するのは、訂正の中身ではなくタイミングです。
毎回直されると会話が進まず、まとめて直されると忘れています。だから回数で指定します。
- Don’t correct me while I’m speaking. Wait until I finish my turn.
- Correct me only once every five exchanges, and only the single most important mistake.
- When you correct me, say the correct sentence once and then move on. Don’t explain the grammar out loud.
3行目がいちばん差になります。音声での文法解説は、ほぼ聞き流されます。
解説は文字で読むもの、訂正は音で真似するものと割り切ってください。
なお公式ドキュメントは、指示が競合すると精度が落ちると書いています。always never only must が重なるルールは、本当に必要でなければ消せという趣旨です。
英会話の指示でも同じで、禁止事項を10行並べると全部が薄くなります。
ChatGPT音声英会話の指示の型②｜ゆっくり短く話させる
「ゆっくり話して」だけでは、たいてい戻ります。
速さは主観なので、長さと構造で縛るほうが安定します。
- Speak two sentences per turn at most. Then stop and let me talk.
- Keep each sentence under twelve words. Don’t use relative clauses.
- Speak a little slower than natural speed, but don’t sound unnatural.
- Pause for two seconds after you ask me a question.
この「長さで縛る」という考え方は、公式の見本にも出ています。話し方の指示例として ## Length の下に 2–3 sentences per turn.（1ターン2〜3文）という行が置かれています。
さらに速さについては、こう書かれています。再生速度のパラメータを触っても「話し方」は変わらないので、話し方の指示を足せという趣旨です。
速さは設定ではなく、指示で決まるということです。
ちなみに私は、初級の方には「1ターン2文まで」を最初に入れてもらいます。AIが3文話すと、聞き取りの負荷が急に跳ね上がります。
ChatGPT音声英会話の指示の型③｜話題を1つに固定する
音声の会話が身につかない最大の原因は、話題が散ることです。
同じ話題を7分続けると、2周目から言葉が出ます。3分で話題を変えると、毎回0からになります。
- Today’s topic is my commute. Don’t change the topic, even if I go quiet.
- If I try to change the topic, bring me back with a question about the same topic.
- Ask me follow-up questions that go deeper, not wider.
- Use the same five key words again and again so I can hear them in different sentences.
4行目が、音声ならではの効きどころです。
同じ単語を違う文で何度も耳に入れると、その単語だけ急に聞こえるようになります。文字で10回読むより早いです。
言語の切り替えについても、公式ドキュメントに指示の見本があります。説明は英語、会話は対象言語と分ける書き方が示されており、外国語の学習者向けの例が実際に載っています。
「説明のときだけ日本語、会話は英語」と分けて書けば、途中で日本語に流れる事故が減ります。
ChatGPT音声英会話の指示の型④｜最後に間違いを文字でまとめさせる
この1本が無いと、音声の練習はほぼ蓄積しません。
音で受けた訂正は消えます。文字にした訂正だけが翌日に残ります。
- At the end, stop speaking and write me a list in text.
- List five mistakes I made today. For each one, write what I said and what I should have said.
- Add three phrases I struggled to say, with a natural English version.
- Don’t praise me. Just give me the list.
「褒めるな」の1行は、冗談ではありません。
音声モードは会話として気持ちよく進むように振る舞うため、感想が長くなりがちです。最後の1分に感想を入れさせる余裕はありません。
公式ドキュメントも、同じフレーズを繰り返すと機械的に聞こえるとして、繰り返しを抑える指示の見本を置いています。Do not repeat the same sentence twice. です。
この1行を足すと、毎回 Got it. から始まるような反応が減ります。
ChatGPTの音声で英会話が聞き取れないときの返し方24フレーズ
ここが、この記事でいちばん持ち帰ってほしい部分です。
全部書き下ろしました。実際の会話で私が使っている言い方だけを並べています。
並べ方に意味があります。 上から順に、聞き返しの「粗さ」が細かくなっていきます。
| 場面 | 英語 | ねらい |
|---|---|---|
| 全部聞けなかった | Sorry, I didn’t catch that. Could you say it again? | 最初に覚える1本。角が立たない |
| 全部聞けなかった | Could you repeat that, please? | 丁寧で、どの相手にも使える |
| 速すぎた | Sorry, could you say that a bit more slowly? | 速さだけを名指しする |
| 速すぎた | I missed that. One more time, please? | 短いので沈黙になりにくい |
| 音量が小さい | Say that again? I couldn’t hear you. | くだけた場面向け |
| 後半が落ちた | I got the first part, but not the end. | どこが落ちたかを渡す |
| 後半が落ちた | What did you say after “because”? | 直前の語を足がかりにする |
| 最後の語だけ不明 | Sorry, the last word. What was it? | 1語だけ取りに行く |
| 数字が怪しい | Did you say “thirteen” or “thirty”? | 候補を2つ出して選ばせる |
| 途中で見失った | You lost me at “the deadline.” What came after that? | 迷子になった地点を指す |
| 語が分からない | What does “commute” mean? | 意味だけを短く聞く |
| 語が分からない | I’m not sure what that word means. Can you explain it? | 説明を頼む形 |
| 綴りが知りたい | How do you spell that? | 文字に落として記憶に残す |
| 言い方が硬い | Can you say that in a simpler way? | 難易度を下げてもらう |
| 使えるか知りたい | Is that a common word, or is it formal? | 使いどころまで確かめる |
| 確認したい | So you’re saying the train was delayed, right? | 聞き返しながら会話を進める |
| 確認したい | Let me make sure I got that. You want me to call them first? | 要点を自分の言葉で返す |
| 例で確認 | You mean something like a part-time job? | 具体例で当たりをつける |
| 解釈を出す | If I understood you, you’re asking about weekends. Is that right? | 外していても会話が続く |
| 時間が欲しい | Give me a second. I’m thinking. | 沈黙を沈黙にしない |
| 言い直す | How do I say this… let me start over. | やり直しを宣言する |
| 語が出ない | I know it in Japanese, but not in English. It’s when you… | 説明に逃げて言葉を引き出す |
| 間違えた | Sorry, I said that wrong. What I meant was… | 自分で訂正して進む |
| 話題を続けたい | Can we stay on this topic a bit longer? | 話題が散るのを自分で止める |
最低でも、上から3本だけは口が覚えるまで声に出してください。
考えてから言うのでは遅いからです。反射で出る3本があれば、会話は落ちません。
1つだけ補足します。Did you say “thirteen” or “thirty”? のように候補を出す聞き返しは、公式ドキュメントの発想とも一致します。
数字の聞き取りの節に、"I heard either 119 or 1-19. Could you repeat the number digit by digit?" という見本が載っています。候補を出して確認するのは、人もAIも同じやり方なのです。
ChatGPTの音声で英会話が止まったとき、どう戻すか
音声の練習は、途中で切れます。これは前提として組んでおいてください。
接続が落ちる、こちらの声が拾われない、話題が飛ぶ、そして利用が止まる。止まり方は4通りあります。
先に書いておきます。無料でどこまで使えるかという条件は、この記事には書きません。
2026年9月12日に機械で確かめた結果、OpenAIのヘルプセンターと料金ページは、どちらもアクセスが拒否されて本文が読めませんでした。読めていない条件を書くわけにはいきません。
同じ日に読めたのは、開発者向けの音声ドキュメントだけです。そこに書かれているのはAPIの仕様であって、アプリ側の無料枠の条件ではありません。
なので、止まったら復旧する手順を先に用意しておくほうが実務的です。止まる条件を当てにいくより早いです。
| 止まり方 | そのときの見え方 | その場での戻し方 |
|---|---|---|
| 音声が切れた | 相手の声が途中で止まり、反応が返らない | いったん終了し、話題の1行だけ貼って再開する。指示は貼り直さず定型を使う |
| 声が拾われない | 何を言っても無関係な返しが来る | Can you hear me? と1文だけ言って確認し、静かな場所へ移る |
| 話題が飛ばされた | 宣言した話題を離れて別の質問が来る | Can we stay on this topic a bit longer? と自分で引き戻す |
| 利用が止まった | 音声が使えなくなり、文字だけになる | 文字チャットで「今日の間違いを5つ文字で出して」に切り替えて締める |
4行目が大事です。止まった日を、記録が残る日に変えられます。
15分のうち最後の1分を最初に確保しておく理由も、ここにあります。途中で切れても、その時点までの間違いは文字で取り出せます。
復旧を早くするために、指示は毎回打ち直さないでください。
- 型①から④をメモアプリに1枚で置いておき、再開時は貼るだけにする
- 話題は1行だけ毎回書き換える。ここを変数にしておくと再開が10秒で済む
- 聞き返しの3本は紙かロック画面に置く。探すあいだに沈黙が生まれる
- 止まった時刻をメモする。何分続けられたかが分かると、翌日の設計が決まる
なお、音声で会話する機能そのものについては、公式アプリの説明文が読めました。App Store日本とGoogle Play日本で、同じ1文が置かれていました。
「高度な音声モード – 音声アイコンをタップして、移動中でもリアルタイムで会話が可能。食事の場での議論を解決したり、新しい言語を練習したりできます。」（ChatGPT／App Store 日本、ChatGPT／Google Play 日本）
「新しい言語を練習したりできます」が公式の説明文に入っている点は、押さえておいてください。語学練習は想定された使い方です。
ただし、その説明文に利用上限の記載はありませんでした。上限は自分のアプリの画面で確かめるしかありません。
ChatGPTの音声で英会話を教えてきて、いちばん差になった1点
聞き返せない生徒は、実力に関係なく会話を落とします。
これは私が英語コーチとして、いちばん多く見てきた型です。
TOEICで900点台を持っている方でも、音声になると固まります。読めるのに、聞き返せないのです。
理由は単純で、学校でも試験でも「分からなかったと申告する練習」を一度もしていないからです。試験では聞き返せません。だから練習の対象にすらなっていません。
聞き返し方を3本教えるだけで、同じ生徒の会話が倍の長さになります。単語を増やしたわけでも、文法を直したわけでもありません。
落ちていたのは英語力ではなく、落ちたときの拾い方だったという話です。
私自身も同じところで固まった経験があります。
海外で働いていたとき、電話で相手が早口で人の名前と部署を一気に言いました。名前が1文字も取れませんでした。
そのとき私がやったのは、いちばん筋の悪い手でした。分かったふりをして Yes, sure. と言い、電話を切りました。
誰に折り返すのかが分からないまま、30分かけて社内で探しました。あの30分は、Could you spell the name for me? の10語で消せたはずです。
だから私は、聞き返しの練習を最初に置きます。
そして音声のAIは、この練習相手として本当に向いています。何度聞き返しても、態度が変わらないからです。
人間相手だと、3回聞き返した時点で申し訳なくなって黙ります。この「気まずさ」が無いことが、AIの音声練習の最大の値打ちです。
ChatGPTの音声で英会話をするときのよくある質問
Q. 指示は英語で言うべきですか。日本語で言っていいですか。
A. 日本語で構いません。指示の言語と会話の言語は別のものです。「会話は英語で」と伝えれば会話は英語になります。
Q. 音声だと発音は直してもらえますか。
A. 直してもらえたかどうかを、この記事では断定しません。公式に発音判定の仕様が書かれた文書を取得できていないためです。代わりに「今の文をもう一度ゆっくり言って」と頼み、自分の声と並べて比べる使い方をおすすめします。
Q. 沈黙してしまい、AIが先に話し出します。
A. 指示に「考えているあいだは待って」と入れてください。公式のGPT-Live向け指示ドキュメントにも、考えるための沈黙では聞き続けさせる見本が載っています。それでも待たないときは Give me a second. と声に出すのが確実です。
Q. AIが話しすぎます。止めていいのですか。
A. 止めていいです。公式のGPT-Live向けドキュメントには、割り込まれたら話すのをやめて聞くという指示の見本が置かれています。割り込みは想定された使い方です。
Q. 毎回この指示を言い直すのですか。
A. 型①から④は文字で貼っておき、毎回変えるのは話題の1行だけにしてください。音声で長い指示を読み上げるのは時間の無駄です。
Q. 1日どれくらいやれば変わりますか。
A. 15分を週5回で、まず1か月続けてください。これで話せるようになると言い切ることはできませんが、聞き返しの反射は1か月で明確に変わります。そこが変わると会話の長さが変わります。
Q. 英会話スクールの代わりになりますか。
A. 量を稼ぐ部分は代わりになります。ただし「何を直すべきか」を決める部分は、まだ人のほうが速いです。AIで量を稼ぎ、方向の判断だけ人に見てもらう組み方が噛み合います。
まとめ｜ChatGPTの音声で英会話は、聞き返せる人だけが続きます
音声で崩れるのは英語力ではなく、崩れたときの拾い方です。
だから先に決めるのは、教材でも話題でもなく、聞き返しの3本でした。
あとは15分の型を回すだけです。最後の1分で文字を残すことだけ、忘れないでください。
- 音声は言い直せない・訂正が耳に残らない・沈黙が怖い。この3点を先に埋める
- 指示は4本。訂正のタイミング／長さと速さ／話題の固定／最後に文字でまとめる
- 聞き返しフレーズは反射で出る3本から。表の上から順に増やす
- 無料の範囲と上限は公式が機械から読めなかったので書いていない。自分の画面で確かめる
この記事で引いた公式文書は、2026年9月12日に取得したものです。音声まわりの仕様は動きが速いので、細かい数字は必ず自分で確かめてください。
参照した公式ドキュメントは Prompting Realtime models、Prompting GPT-Live、Getting started with the Realtime API、Voice agents、Audio and voice です。
Comments