अपनी आवाज़ से Claude Code चलाना: पैरलल-lane वाली बिल्डिंग

AI की मदद से होने वाली development के पिछले साल में कुछ चुपचाप पलट गया: चक्र का सबसे धीमा हिस्सा अब मशीन नहीं है। Claude Code चार मिनट तक ख़ुशी-ख़ुशी किसी refactor पर पिसता रहेगा। Cursor आपके न देखते हुए एक test suite का मसौदा बना देगा। अड़चन आप हैं — ख़ासकर आपके हाथ, जो एक समय में सिर्फ़ एक ही window में हो सकते हैं।

जैसे ही आप एक से ज़्यादा agent lane चलाते हैं, यह झुँझलाहट होना बंद करके आपके पूरे दिन की शक्ल बन जाती है। Lane एक auth का refactor कर रही है। Lane दो आपकी समीक्षा का इंतज़ार कर रही है। Lane तीन एक Slack thread है जहाँ कोई ग्राहक किसी बग को ख़राब ढंग से बयान कर रहा है। इनमें से हर lane स्वाभाविक भाषा पर आगे बढ़ती है — और वह स्वाभाविक भाषा आप दस उँगलियों और एक focused window से बना रहे हैं।

यही वह खाई है जिसे आवाज़ भरती है। “अपना उपन्यास डिक्टेट करो” वाली आवाज़ नहीं — control channel वाली आवाज़। यह vibecoding का वह हिस्सा है जिसका demo कोई नहीं करता: आप बोलकर code ख़ुद शायद ही कभी बनाते हैं, आप उन agents को दिशा देते हैं जो उसे बनाते हैं।

Prompts गद्य हैं, और गद्य बोलकर तेज़ निकलता है

किसी coding agent को चलाने की असली बात यह है: input code नहीं है। वह निर्देश हैं। “WebSocket handler से retry logic निकालो, उसे उसके अपने module में ले जाओ, और backoff cap को configurable बनाओ।” अगर आप पहले से उसी window में हैं, गरमाए हुए हैं, और किसी और चीज़ के बारे में नहीं सोच रहे, तो आप यह बीस सेकंड में टाइप कर सकते हैं।

पर आप अब कभी उस हालत में होते ही नहीं। आप किसी दूसरी lane में समीक्षा के बीच हैं। आप agent का पिछला diff पढ़ रहे हैं। आपके हाथ में कॉफ़ी है। किसी prompt की क़ीमत टाइप करने का समय नहीं है — वह क़ीमत यह context switch है कि अपने हाथ और आँखें उसे टाइप करने की मुद्रा में लाई जाएँ।

Prompt बोल देना उस क़ीमत को समेट देता है। Terminal पर focus करें, एक key दबाए रखें, वही वाक्य कहें जो आप अपने भीतर पहले से कह रहे थे, छोड़ दें। शब्द cursor पर उतरते हैं और lane फिर चलने लगती है, जबकि आपका ध्यान वहीं लौट जाता है जहाँ उसे असल में होना चाहिए था।

Workflow, ठोस रूप में

इसके लिए मैं Keebye इस्तेमाल करता हूँ — यही वह टूल है जो मैंने तब बनाया जब इस समस्या ने मेरी कामकाजी ज़िंदगी खा ली, और नीचे लिखी तफ़सील उसका असली व्यवहार है, कोई सपना नहीं। छोटी setup चेकलिस्ट — hotkey, insertion mode, डिक्शनरी — Claude Code के लिए वॉइस डिक्टेशन पर है।

एक hotkey, दबाई हुई। Right ⌘ डिफ़ॉल्ट है। उसे दबाए रखें, बोलें, छोड़ें; transcribe किया गया text focused editable field में उतर जाता है। लंबे निर्देशों के लिए एक बार tap करने से रिकॉर्डिंग तब तक चालू रहती है जब तक आप दोबारा tap न करें। Esc बाहर निकाल देता है। खोलने के लिए कोई window नहीं है, और यही पूरी बात है — टूल की अपनी कोई lane नहीं है।

Terminals के लिए typing mode। Claude Code किसी terminal में रहता है, और terminals clipboard-paste वाली insertion के दुश्मन हैं — ख़ासकर SSH पर या tmux के भीतर। Keebye paste करने के बजाय text को बनावटी ढंग से type कर सकता है, terminal का लिहाज़ करती रफ़्तार के साथ, ताकि prompt वैसे ही पहुँचे जैसे keystrokes पहुँचते। agent वाले काम के लिए यही एक setting “प्यारे demo” और “रोज़ के औज़ार” के बीच का फ़र्क़ है — terminals paste को तोड़ते क्यों हैं इसकी पूरी कहानी ऐसा डिक्टेशन जो terminal में टिक जाए में है।

आपके jargon के लिए एक डिक्शनरी। Speech मॉडलों को आपके project की शब्दावली नहीं पता। कस्टम डिक्शनरी मॉडल के सुने हुए को आपके इच्छित शब्द से जोड़ती है — module के नाम, साथियों के नाम, “pnpm”, और जो कुछ आपका codebase आपसे बार-बार कहलवाता है।

बँधे हुए heuristic के साथ लोकल cleanup। कच्ची speech “um” और अधूरी शुरुआतों से भरी होती है। Keebye तेज़ नियमों से filler हटाता है और punctuation ठीक करता है; इसका वैकल्पिक local-LLM polish गंभीर token loss, फैलाव या दोहराव के बाद वापस लौट आता है। वह पहरा अर्थ साबित नहीं कर सकता और हर नकार नहीं बचा सकता, इसलिए agent को दिए जाने वाले अहम निर्देश भेजने से पहले जाँच लें।

और चूँकि सारा speech-to-text on-device चलता है, prompts ख़ुद — जो lane दर lane आपके बिना रिलीज़ हुए प्रोडक्ट का तफ़सीली बयान हैं — कभी मशीन से बाहर नहीं जाते।

आवाज़ से चलाना किन चीज़ों में सचमुच अच्छा है

इसके साथ रोज़ जीते हुए, यह एक ईमानदार फ़ेहरिस्त है:

Redirects. Agent ने काम पूरा कर लिया है, और वह 80% सही है। “extraction रहने दो, पर test files में हुआ rename वापस लो और suite दोबारा चलाओ।” बोलकर, यह तीन सेकंड का काम है। मेरे दिन का सबसे क़ीमती डिक्टेशन यही है।

अगली lane को क़तार में लगाना। जब lane एक बना रही हो, तब अगला काम lane दो में बयान कर दें। हाथ एक-एक करके, काम साथ-साथ।

Code के इर्द-गिर्द का गद्य। PR के विवरण, commit messages, बग रिपोर्ट पर Slack के जवाब, वह ईमेल जो आप पर उधार है। Window पर focus करें, कह दें, हो गया — आपके हाथ उस lane से हिले तक नहीं जिसमें वे थे।

ज़ोर से सोचना, काम के ढंग से। कुछ निर्देश बोलकर बेहतर निकलते हैं क्योंकि speech आपको सीधी रेखा में चलने पर मजबूर करती है। मुँह से आप कोष्ठकों के भीतर कोष्ठक नहीं रख सकते।

यह क्या नहीं है

ईमानदारी वाला हिस्सा। Keebye में ट्रांसक्रिप्शन batch है, streaming नहीं — text तब दिखता है जब आप key छोड़ते हैं, शब्द-दर-शब्द नहीं। prompts के लिए यह ठीक है (आप बोलते हैं, फिर वह एक थक्के की तरह उतरता है) पर इसका मतलब है कि यह live-captioning वाला अनुभव नहीं है। डिफ़ॉल्ट मॉडल English-tuned है; multilingual डिक्टेशन एक अलग on-device इंजन है जो 25 भाषाएँ कवर करता है — यह क्यों मायने रखता है, इस पर और डिक्टेशन सिर्फ़ English तक सीमित नहीं होना चाहिए में। और कोई डिक्टेशन टूल किसी बुरे prompt को अच्छा नहीं बनाता; आवाज़ रगड़ हटाती है, सोचने की ज़रूरत नहीं।

इस जगह में और भी अच्छे टूल्स हैं — Superwhisper और Wispr Flow वे दो हैं जिनके बारे में हमसे पूछा जाता है, और हमने दोनों की ईमानदार तुलनाएँ लिखी हैं: Keebye vs Superwhisper और Keebye vs Wispr Flow।

यह चक्रवृद्धि क्यों होता है

एक डिक्टेट किया हुआ prompt कुछ सेकंड बचाता है। कहानी वह नहीं है। कहानी यह है कि वे सेकंड किस चीज़ को रोके हुए थे: आप जो भी lane चलाते हैं वह तभी आगे बढ़ती है जब आप उसे खिलाते हैं, इसलिए किसी एक lane को खिलाने पर लगने वाला कर उन सब पर लगने वाला कर है। उसे काट दें, और आप अपना ही ध्यान राशन में बाँटना बंद कर देते हैं — आप वह तीसरी lane जोड़ लेते हैं जिसे आप इसलिए नहीं चला रहे थे कि वह बहुत ज़्यादा बोझ लगती थी।

इस सबकी शुरुआत किसी workflow निबंध जितनी सजीली नहीं थी: दो बच्चे, कई ऊँचे दाँव वाले workstreams, और नाकाफ़ी हाथ। वह कहानी यहाँ है — दो बच्चे, तीन startups, एक आवाज़।

Keebye macOS के लिए अर्ली ऐक्सेस में है। नीचे अपना फ़्री ट्रायल शुरू करें, उसे अपनी सबसे व्यस्त lane पर लगाएँ, और एक ठोस क्रम आज़माएँ: lane एक की समीक्षा करें, lane दो में एक redirect डिक्टेट करें, फिर lane तीन में इंतज़ार कर रहे इंसान को जवाब दें। आवाज़ उन्हें एक साथ नियंत्रित नहीं करती; वह हर पैरलल lane को कम हैंडऑफ़ ख़र्च पर सामान पहुँचाती रहती है।