Claude Code głosem: budowanie na równoległych torach

W ostatnim roku programowania wspieranego przez AI coś po cichu się odwróciło: najwolniejszą częścią pętli nie jest już maszyna. Claude Code z przyjemnością przemieli refaktoryzację przez cztery minuty. Cursor naszkicuje zestaw testów, gdy nie patrzysz. Wąskim gardłem jesteś Ty — a konkretnie Twoje ręce, które mogą być naraz tylko w jednym oknie.

Gdy prowadzisz więcej niż jeden tor agenta, przestaje to być uciążliwością, a staje się kształtem Twojego dnia. Tor pierwszy refaktoryzuje uwierzytelnianie. Tor drugi czeka na Twój przegląd. Tor trzeci to wątek na Slacku, w którym klient nieudolnie opisuje błąd. Każdy z tych torów posuwa się do przodu dzięki językowi naturalnemu — a Ty produkujesz ten język naturalny dziesięcioma palcami i jednym aktywnym oknem.

Tę lukę wypełnia głos. Nie głos w stylu „podyktuj swoją powieść” — głos jako kanał sterowania. To ta część vibecodingu, której nikt nie pokazuje w demie: rzadko generujesz mówieniem sam kod, Ty sterujesz agentami, którzy to robią.

Prompty to proza, a prozę szybciej się mówi

Rzecz w sterowaniu agentem kodującym wygląda tak: wejściem nie jest kod. To instrukcje. „Wyciągnij logikę ponawiania z handlera WebSocketu, przenieś ją do osobnego modułu i zrób limit backoffu konfigurowalnym”. Możesz to napisać w dwadzieścia sekund, jeśli jesteś już w tym oknie, rozgrzany i nie myślisz o niczym innym.

Ale nigdy już nie jesteś w tym stanie. Jesteś w połowie przeglądu w innym torze. Czytasz ostatniego diffa od agenta. Trzymasz kawę. Kosztem promptu nie jest czas pisania — to przełączenie kontekstu, żeby ustawić ręce i oczy w pozycji do pisania.

Wypowiedzenie promptu zwija ten koszt. Ustaw fokus na terminalu, przytrzymaj klawisz, powiedz zdanie, które i tak już mówiłeś sobie w głowie, puść. Słowa lądują przy kursorze i tor znów rusza, a Twoja uwaga wraca tam, gdzie naprawdę była potrzebna.

Przepływ pracy, konkretnie

Używam do tego Keebye — to narzędzie, które zbudowałem, gdy ten problem zjadł moje życie zawodowe, a poniższe szczegóły to jego prawdziwe zachowanie, nie aspiracja. Skrócona lista konfiguracyjna — skrót, tryb wstawiania, słownik — mieszka w Głosowe dyktowanie do Claude Code.

Jeden skrót, przytrzymywany. Prawy ⌘ jest domyślny. Przytrzymaj, mów, puść; przetranskrybowany tekst ląduje w aktywnym edytowalnym polu. Przy dłuższych instrukcjach pojedyncze stuknięcie włącza nagrywanie, dopóki nie stukniesz ponownie. Esc przerywa. Nie ma okna do otwierania, i o to właśnie chodzi — narzędzie nie ma własnego toru.

Tryb wpisywania do terminali. Claude Code żyje w terminalu, a terminale są wrogie wstawianiu przez wklejanie ze schowka — zwłaszcza przez SSH albo w tmuxie. Keebye może zamiast wklejać wpisać tekst syntetycznie, z rytmem dostosowanym do terminala, więc prompt dociera tak, jakby przyszedł z klawiatury. To jedno ustawienie jest w pracy z agentami różnicą między „ładnym demem” a „narzędziem na co dzień” — pełna opowieść o tym, dlaczego terminale psują wklejanie, jest w Dyktowanie, które przetrwa terminal.

Słownik na Twój żargon. Modele mowy nie znają słownictwa Twojego projektu. Własny słownik mapuje to, co słyszy model, na to, co miałeś na myśli — nazwy modułów, nazwiska współpracowników, „pnpm”, cokolwiek Twoje repozytorium każe Ci powtarzać.

Lokalne czyszczenie z ograniczoną heurystyką. Surowa mowa jest pełna „yyy” i falstartów. Keebye usuwa wypełniacze i poprawia interpunkcję szybkimi regułami; jego opcjonalny szlif lokalnego LLM wycofuje się po poważnej utracie tokenów, rozroście albo powtórzeniach. Ten strażnik nie potrafi dowieść sensu ani ochronić każdego zaprzeczenia, więc przejrzyj krytyczne instrukcje dla agenta przed wysłaniem.

A ponieważ całe rozpoznawanie mowy działa na urządzeniu, same prompty — które szczegółowo opisują Twój niewydany produkt, tor po torze — nigdy nie opuszczają maszyny.

W czym sterowanie głosem jest naprawdę dobre

Po codziennym życiu z tym, oto uczciwa inwentaryzacja:

Korekty kursu. Agent skończył i jest w 80% dobrze. „Zachowaj wydzielenie, ale cofnij zmianę nazwy w plikach testowych i uruchom zestaw ponownie”. Wypowiedziane, to trzy sekundy. To najbardziej wartościowe dyktowanie w moim dniu.

Kolejkowanie następnego toru. Kiedy tor pierwszy buduje, opisz następne zadanie do toru drugiego. Ręce szeregowo, praca równolegle.

Proza wokół kodu. Opisy PR-ów, komunikaty commitów, odpowiedzi na Slacku do zgłoszenia błędu, zaległy e-mail. Ustaw fokus na oknie, powiedz, gotowe — Twoje ręce nigdy nie opuściły toru, w którym były.

Myślenie na głos, użytecznie. Niektóre instrukcje wychodzą lepiej wypowiedziane, bo mowa wymusza liniowość. Ustami nie zagnieździsz wtrąceń w nawiasach.

Czym to nie jest

Sekcja szczerości. Transkrypcja w Keebye jest wsadowa, nie strumieniowa — tekst pojawia się, gdy puszczasz klawisz, a nie słowo po słowie. To w porządku przy promptach (mówisz, a potem ląduje jako jeden blok), ale znaczy, że nie jest to doświadczenie napisów na żywo. Domyślny model jest strojony pod angielski; dyktowanie wielojęzyczne to osobny silnik na urządzeniu obejmujący 25 języków — więcej o tym, dlaczego to ważne, w Dlaczego dyktowanie dla programistów nie powinno być tylko po angielsku. I żadne narzędzie do dyktowania nie zrobi ze złego promptu dobrego; głos usuwa tarcie, a nie konieczność myślenia.

Są też inne dobre narzędzia w tej przestrzeni — Superwhisper i Wispr Flow to te dwa, o które nas pytają, i napisaliśmy uczciwe porównania obu: Keebye vs Superwhisper oraz Keebye vs Wispr Flow.

Dlaczego to się kumuluje

Pojedynczy podyktowany prompt oszczędza sekundy. To nie jest ta historia. Historią jest to, co te sekundy blokowały: każdy prowadzony przez Ciebie tor posuwa się tylko wtedy, gdy go zasilisz, więc podatek od zasilenia jednego toru jest podatkiem od wszystkich. Zetnij go, a przestaniesz racjonować własną uwagę — dołożysz ten trzeci tor, którego nie prowadziłeś, bo wydawał się zbyt dużym narzutem.

Początek tego wszystkiego był mniej elegancki niż esej o przepływie pracy: dwoje dzieci, kilka strumieni pracy o wysokiej stawce i za mało rąk. Ta historia jest tutaj — Dwoje dzieci, trzy startupy, jeden głos.

Keebye jest we wczesnym dostępie na macOS. Zacznij bezpłatny okres próbny poniżej, wyceluj go w swój najbardziej zajęty tor i spróbuj jednej konkretnej sekwencji: przejrzyj tor pierwszy, podyktuj korektę kursu do toru drugiego, a potem odpowiedz człowiekowi czekającemu w torze trzecim. Głos nie steruje nimi jednocześnie; utrzymuje każdy równoległy tor zasilany mniejszym kosztem przekazania.