การพิมพ์ด้วยเสียงที่รอดในเทอร์มินัล

นักพัฒนาที่ลองเครื่องมือพิมพ์ด้วยเสียงมักเจอความล้มเหลวที่มีรูปร่างเฉพาะเจาะจงมาก เครื่องมือทำงานได้สวยงามในเดโม มันใช้ได้ใน Notes ใน Slack ในเบราว์เซอร์ แล้วคุณโฟกัสเทอร์มินัล พูดหนึ่งประโยค แล้วก็ไม่มีอะไรปรากฏ หรือมีบางอย่างปรากฏที่ไม่ใช่สิ่งที่คุณพูด หรือครึ่งหนึ่งปรากฏขึ้นส่วนอีกครึ่งไปอยู่ในคลิปบอร์ดอย่างลึกลับ บางทีมันใช้ได้ในเครื่องแต่ตายทันทีที่คุณ SSH เข้าไปในเซิร์ฟเวอร์

รูปแบบนี้สม่ำเสมอมากพอจนผมไม่คิดว่ามันเป็นบั๊กของผลิตภัณฑ์ตัวใดตัวหนึ่ง มันเป็นผลจากวิธีที่เครื่องมือทั้งหมวดหมู่นี้แทรกข้อความ — และมันล้มเหลวในที่ที่นักพัฒนาใช้ชีวิตอยู่พอดี

เรื่องนี้สำคัญกว่าเมื่อสองปีก่อนมาก ถ้าคุณขับ Claude Code ด้วยเสียง — เวิร์กโฟลว์ที่ผมบรรยายไว้ใน การขับ Claude Code ด้วยเสียงของคุณ — เทอร์มินัลก็ไม่ใช่แอปหนึ่งในหลาย ๆ แอป มันคือแอปนั้น มันคือที่ที่ prompt ของคุณไปลง ที่ที่ agent ของคุณรอคำสั่งปรับทิศทาง ที่ที่เรื่องเลนขนานทั้งหมดจะได้ผลหรือไม่ได้ผล เครื่องมือพิมพ์ด้วยเสียงที่เอาแน่เอานอนไม่ได้ในเทอร์มินัล สำหรับนัก Vibe Coding แล้วก็คือเอาแน่เอานอนไม่ได้ในงานเดียวที่มันมี

ทำไมการวางถึงพังตรงที่นักพัฒนาใช้ชีวิตพอดี

นี่คือกลไกระดับหมวดหมู่ เครื่องมือพิมพ์ด้วยเสียงส่วนใหญ่แทรกข้อความด้วยวิธีเดียวกัน: เอาประโยคที่ถอดได้ของคุณใส่คลิปบอร์ดของระบบ แล้วสังเคราะห์การกด Cmd+V ที่แอปที่โฟกัสอยู่ มันเป็นค่าเริ่มต้นที่สมเหตุสมผล — การวางเกิดขึ้นทันที ใช้ได้กับช่องข้อความ GUI แทบทุกช่อง และแทบไม่ต้องเขียนโค้ดเฉพาะแอปเลย

ปัญหาคือทุกอย่างที่ข้อสมมตินั้นแอบพึ่งพาอยู่

มันพึ่งพาการที่แอปที่โฟกัสอยู่ตีความ Cmd+V ว่า "วาง" เทอร์มินัลมักไม่ทำแบบนั้น — หลายตัวใช้ Cmd+V ทำอย่างอื่นหรือไม่ทำอะไรเลย tmux และ vim มีความคิดของตัวเองว่าการวางหมายถึงอะไร และเซสชัน SSH ระยะไกลอาจตีความข้อความที่วางเข้ามาเป็นพรวดในแบบที่เครื่องในบ้านคาดเดาไม่ได้ bracketed paste, copy-mode, insert-mode เทียบกับ normal-mode: โลกของเทอร์มินัลเต็มไปด้วยสถานะที่การวางแบบสังเคราะห์ไปลงผิดที่หรือไม่ไปลงที่ไหนเลย

มันพึ่งพาการที่คลิปบอร์ดว่างและไม่ถูกกันไว้ ตัวจัดการคลิปบอร์ดเขียนทับมัน ตัวจัดการรหัสผ่านล้างหรือปกป้องมันโดยตั้งใจ — ฟีเจอร์ความปลอดภัยที่เปลี่ยน "วางสิ่งที่ฉันพูด" ให้กลายเป็น "วางความว่างเปล่า" แบบเงียบ ๆ และแม้ตอนที่ทุกอย่างใช้ได้ เครื่องมือก็เพิ่งเขียนทับสิ่งที่คุณคัดลอกไว้ไปแล้ว commit SHA ที่คุณถือข้ามหน้าต่างอยู่หายไป ถูกแทนที่ด้วยประโยคของคุณเอง สำหรับคนที่จัดการหลายเลนพร้อมกัน นั่นไม่ใช่แผลกระดาษบาด คลิปบอร์ดกำลังทำงานอยู่

และมันพึ่งพา — ข้อนี้คือข้อที่ทำให้คนแปลกใจ — เลย์เอาต์แป้นพิมพ์ของคุณ เมื่อเครื่องมือถอยไปใช้การจำลองการกดแป้น วิธีที่ซื่อที่สุดคือส่ง_รหัส_แป้น: ตำแหน่งของปุ่มทางกายภาพ รหัสแป้นถูกแปลงเป็นตัวอักษรผ่านเลย์เอาต์ของคุณ บน QWERTY รหัสของ "V" ให้ตัว V บน Dvorak ตำแหน่งทางกายภาพเดียวกันนั้นเป็นคนละตัวอักษร ฉะนั้นเครื่องมือที่จำลอง scancode บนเลย์เอาต์ Dvorak, AZERTY หรือ Colemak จะผลิตข้อความที่ดูเหมือนผ่านการเข้ารหัสแบบแทนที่ตัวอักษรมา ผู้ใช้รายงานว่าได้ตัวอักษรมั่ว ๆ และคิดว่าการรู้จำเสียงล้มเหลว มันไม่ได้ล้มเหลว — เสียงถูกถอดได้สมบูรณ์แบบ แต่การแทรกข้อความทำมันเละ

ไม่มีข้อไหนเกิดจากเจตนาร้ายหรือความขี้เกียจของใคร การวางผ่านคลิปบอร์ดคือค่าเริ่มต้นที่ถูกต้องสำหรับกรณี 90% เพียงแต่นักพัฒนาใช้เวลาทั้งวันอยู่ในอีก 10% ที่เหลือ

"พิมพ์มันแทน" หมายความว่าอย่างไรกันแน่

Keebye มีการตั้งค่าชื่อ insert_mode ที่มีสองค่า: paste ซึ่งเป็นค่าเริ่มต้น และ type

โหมดพิมพ์จำลองไม่วาง บน macOS มันใช้ CGEventKeyboardSetUnicodeString — API ที่แนบข้อความ Unicode จริง ๆ ไว้กับ event แป้นพิมพ์แบบสังเคราะห์ ตัวอักษรถูกพาไปในตัว event เอง ไม่ได้ถูกเปิดหาผ่านเลย์เอาต์แป้นพิมพ์ของคุณ นั่นทำให้มันไม่ขึ้นกับเลย์เอาต์โดยโครงสร้าง: Dvorak, AZERTY, Colemak หรืออะไรก็ตามที่คุณพิมพ์อยู่ ข้อความที่มาถึงคือข้อความที่ถอดได้ เพราะไม่เคยมีการแปลง scancode เป็นตัวอักษรให้ผิดพลาดตั้งแต่แรก

คุณสมบัติที่สองของโหมดพิมพ์จำลองคือข้อที่ผู้ใช้เทอร์มินัลสนใจ: มันไม่แตะคลิปบอร์ดเลย ไม่มีการดำเนินการกับคลิปบอร์ดแม้แต่ครั้งเดียวในเส้นทางโค้ดนั้น เนื้อหาในคลิปบอร์ดของคุณยังเป็นของคุณ — SHA รอด ตัวจัดการรหัสผ่านไม่มีอะไรต้องระวัง ตัวจัดการคลิปบอร์ดไม่มีอะไรต้องบันทึก

และเพราะเทอร์มินัลกับเซสชันระยะไกลสำลักได้เมื่อข้อความมาถึงเร็วกว่าที่มนุษย์คนไหนพิมพ์ โหมดพิมพ์จำลองจึงกำหนดจังหวะของตัวเองอย่างจงใจ: ข้อความเข้าไปเป็นชิ้นละ 16 ตัวอักษร โดยมีช่องว่าง 4 มิลลิวินาทีระหว่างชิ้น เร็วพอที่หนึ่งประโยคจะไปลงในเวลาต่ำกว่าหนึ่งวินาทีอย่างสบาย ๆ และมีจังหวะพอที่พาเนล tmux ผ่าน SSH จะรับมันในฐานะการกดแป้นที่มันตามทัน ไม่ใช่ก้อนข้อมูลที่ต้องตีความ

โหมดวางยังอยู่ และยังเป็นค่าเริ่มต้น เพราะมันเร็วกว่าจริง ๆ สำหรับข้อความก้อนใหญ่ในแอป GUI ทั่วไป — ข้อความ Slack สามย่อหน้ามาถึงในการวางครั้งเดียว แทนที่จะเป็นสายธารของชิ้นข้อความ ถึงอย่างนั้น โหมดวางก็ได้บทเรียนเรื่องเลย์เอาต์ไปด้วย: Cmd+V แบบสังเคราะห์ใช้ keycode ทางกายภาพของ V ฉะนั้นตัวการวางเองจึงไม่พังบนเลย์เอาต์ที่ไม่ใช่ QWERTY แบบที่วิธีเปิดหาตัวอักษรพัง

การตั้งค่าใช้งานจริงสำหรับงาน agent นั้นง่าย: สลับ insert_mode เป็น type โฟกัสเทอร์มินัลที่รัน Claude Code อยู่ กดปุ่มค้าง พูดคำสั่งปรับทิศทาง แล้วปล่อย prompt มาถึงแบบเดียวกับที่การกดแป้นจะมาถึง เพราะเท่าที่เทอร์มินัลรับรู้ มันก็คือการกดแป้นนั่นแหละ ฉบับทีละขั้นตอนของการตั้งค่านี้ รวมถึงรายละเอียดเรื่อง SSH และ tmux อยู่ใน พิมพ์ด้วยเสียงสำหรับเทอร์มินัลบน macOS

ข้อจำกัดที่ต้องพูดตรง ๆ

โหมดพิมพ์จำลองช้ากว่าการวางสำหรับข้อความยาว — นั่นคือเลขคณิต ไม่ใช่ข้อบกพร่อง การกดแป้นเป็นชิ้น ๆ พร้อมช่องว่างจังหวะย่อมใช้เวลานานกว่า event การวางครั้งเดียว และถ้าคุณกำลังพูดหลายย่อหน้าลงในเอกสาร โหมดวางจะรู้สึกฉับไวกว่า นี่คือเหตุผลที่การวางยังคงเป็นค่าเริ่มต้น ส่วนโหมดพิมพ์จำลองเป็นสิ่งที่คุณเลือกเปิดในหน้าตั้งค่า โหมดที่ถูกต้องขึ้นอยู่กับว่าข้อความของคุณกำลังจะไปไหน

บางแอปพลิเคชันจำกัดอัตราหรือกรองอินพุตแบบสังเคราะห์ มักด้วยเหตุผลด้านความปลอดภัย และไม่มีกลยุทธ์การแทรกข้อความไหนหนีเรื่องนั้นได้ทั้งหมด — แอปที่ปฏิเสธ event สังเคราะห์ก็ปฏิเสธมันจากเครื่องมือพิมพ์ด้วยเสียงทุกตัว

และขอพูดให้ชัดว่าบทความนี้กล่าวอ้างอะไรและไม่กล่าวอ้างอะไร: คำบ่นเรื่องการวางพังในเทอร์มินัลเป็นรูปแบบที่พบทั้งหมวดหมู่การพิมพ์ด้วยเสียง ไม่ใช่ข้อบกพร่องเฉพาะของคู่แข่งรายใด เครื่องมืออื่นมีคำตอบของตัวเองและจุดแข็งของตัวเอง — เราเขียนการเปรียบเทียบอย่างตรงไปตรงมาไว้ที่ Keebye เทียบกับ Superwhisper และ Keebye เทียบกับ Wispr Flow รวมถึงจุดที่แต่ละตัวอาจเหมาะกับคุณมากกว่า

การแทรกข้อความคือครึ่งที่ไม่หรูหราของการพิมพ์ด้วยเสียง

การรู้จำเสียงได้ความสนใจไปหมด — ชื่อโมเดล คำกล่าวอ้างเรื่องความแม่นยำ จำนวนภาษา แต่เครื่องมือพิมพ์ด้วยเสียงมีสองงาน: ได้ยินคุณอย่างถูกต้อง แล้วพาข้อความไปถึงที่ที่เคอร์เซอร์ของคุณอยู่โดยไม่ทำหายหรือทำเละ งานที่สองฟังดูจิ๊บจ๊อย และเป็นจุดที่หมวดหมู่นี้ทำให้นักพัฒนาผิดหวังแบบเงียบ ๆ เพราะงานที่สองนั้นง่ายใน TextEdit และยากในพาเนล tmux บนเครื่องระยะไกลภายใต้เลย์เอาต์ Dvorak

ถ้า prompt ของคุณไปลงในเทอร์มินัล — และถ้าคุณกำลังขับ coding agent มันก็ไปลงที่นั่นแน่ — การแทรกข้อความไม่ใช่เชิงอรรถ มันคือความต่างระหว่างเครื่องมือที่คุณเอาไว้เดโมกับเครื่องมือที่คุณใช้จริง อีกอย่าง โหมดความล้มเหลวที่เกี่ยวข้องกันก็มีรสชาติเดียวกัน: คำแรกของการพูดถูกกลืนหายไปเพราะไมค์ยังไม่ตื่น ก็เป็นคำบ่นทั้งหมวดหมู่อีกข้อที่มีคำอธิบายเชิงกลไก และเราเขียนเรื่องนั้นไว้ใน ทำไมแอปพิมพ์ด้วยเสียงถึงกินคำแรกของคุณ

Keebye อยู่ในช่วงเข้าถึงล่วงหน้าสำหรับ macOS ถ้าสิ่งที่คุณพูดเคยหายไประหว่างทางจากปากคุณถึงเทอร์มินัล เริ่มทดลองใช้ฟรีได้ด้านล่าง เปิดโหมดพิมพ์จำลอง แล้วลอง prompt เดิมอีกครั้ง SHA ที่คุณคัดลอกไว้ยังอยู่ในคลิปบอร์ด ขณะที่คำต่าง ๆ มาถึงในรูปของ Unicode ที่ถูกพิมพ์