編程進(jìn)入「對講機(jī)」時代！Claude搶發(fā)語音寫代碼，轉(zhuǎn)錄Token全免費(fèi)

新智元報道

編輯：定慧

【新智元導(dǎo)讀】Claude Code 正式上線語音模式：輸入 /voice，長按空格說話，松開即完成輸入。語音轉(zhuǎn)錄實(shí)時流入光標(biāo)位置，和鍵盤無縫切換，轉(zhuǎn)錄Token完全免費(fèi)。編程的下一個戰(zhàn)場不是模型智商，而是交互方式。

剛剛，Anthropic給Claude Code加了個語音模式。

以后寫代碼，用嘴說就行。

Claude Code是Anthropic出品的命令行AI編程工具。

以前你得打字跟它交流。現(xiàn)在不用了。

輸入/voice命令，開啟語音模式。長按空格鍵說話，松開完成輸入。

跟對講機(jī)一模一樣。

目前灰度測試階段，大約5%的用戶先嘗鮮，接下來幾周逐步放開。

如果你的賬戶有權(quán)限，打開Claude Code時歡迎界面會提示你。

語音模式這玩意兒牛在哪？

不是簡單的語音轉(zhuǎn)文字。

語音轉(zhuǎn)出來的文字，會直接在光標(biāo)位置實(shí)時流式輸出。

類似下面網(wǎng)友分享的這樣。

啥意思呢？你可以先手打一半提示詞，遇到復(fù)雜邏輯懶得打字了，長按空格切到語音，吐槽一通那段難以描述的邏輯，松手，再繼續(xù)打字。

無縫銜接。不覆蓋。不替換。

這才是關(guān)鍵——它不是替代鍵盤，是補(bǔ)充鍵盤。

想象一個場景：你在調(diào)一個詭異的bug，涉及三層回調(diào)嵌套加一個競態(tài)條件。

打字描述這玩意兒，光組織語言就得五分鐘。

但如果張嘴說？人類天生就擅長口頭描述混亂的場景。三十秒搞定。

還有一個大利好：語音轉(zhuǎn)錄的Token完全免費(fèi)。不計(jì)費(fèi)。不扣額度。想說多少說多少。

對面奧特曼什么反應(yīng)？

有意思的是，OpenAI的Codex幾乎在同一時間也加了類似功能。

Codex 0.105.0版本更新日志寫得明明白白——按住空格錄音，松開轉(zhuǎn)錄，文字直接輸入到終端界面。

用的是Wispr語音引擎，目前支持macOS和Windows，Linux還沒跟上。

而且這功能還需要手動開啟：

在配置文件里設(shè)置features.voice_transcription=true。

兩家?guī)缀跬瑫r出招。

這不是巧合，是共識。

編程工具的下一個戰(zhàn)場，不在模型有多聰明，而在交互有多自然。

社區(qū)怎么看？

開發(fā)者社區(qū)其實(shí)早就在自己搞了。

在官方語音模式之前，GitHub上就有一個叫Voice Mode的社區(qū)項(xiàng)目，通過MCP協(xié)議給Claude Code外掛了語音能力。

用Whisper做語音識別，用Kokoro做語音合成，甚至能離線跑。

還有各種第三方工具——AquaVoice、Superwhisper、Voicy——都在搶占語音寫代碼這個生態(tài)位。

有人用Talon Voice實(shí)現(xiàn)了全程免手操作，連終端的Ctrl+C都是用嘴說的。

而現(xiàn)在，官方直接下場了。

第三方工具顫抖了嗎？可能沒有。

因?yàn)楣俜降恼Z音模式更像一個入口級功能——它降低了門檻，讓更多人意識到原來寫代碼可以用嘴。

語音編程的體感到底怎么樣？

根據(jù)早期用戶的反饋，幾個場景特別好用：

Debug的時候

口頭描述bug比打字描述快太多了。

你說話時會自然帶出更多上下文——就是那個，登錄頁面，輸入帶加號的郵箱，它驗(yàn)證就報錯了——這種人類碎碎念的信息密度，打字時你絕對懶得寫。

架構(gòu)討論的時候

我想讓這個API用JWT做認(rèn)證，accesstoken十五分鐘過期，refreshtoken七天，再加一個刷新端點(diǎn)——說出來十秒鐘，打出來一分鐘。

不在電腦前的時候

吃東西、喝咖啡、手受傷了、得了腱鞘炎——這些場景下，語音輸入不是錦上添花，是剛需。

但也有短板。

變量名、URL、代碼片段，還是得靠打字。語音識別對camelCase、下劃線命名和各種縮寫的識別率仍然不夠穩(wěn)。

所以最佳實(shí)踐是：自然語言部分用嘴說，精確代碼部分用手打。

一個更大的信號

讓我們把視角拉遠(yuǎn)一點(diǎn)。

2024年，Cursor讓AI寫代碼成為主流，Tab一下是當(dāng)時的潮流。

2025年，Claude Code和Codex讓AI Agent自主編碼成為可能。

2026年，語音模式的加入，補(bǔ)上了人機(jī)交互的最后一塊拼圖。

編程正在經(jīng)歷一次輸入革命。

鍵盤不會消失，就像鼠標(biāo)沒有消失一樣。

但編程的主要瓶頸，已經(jīng)從寫代碼變成了表達(dá)意圖。

而表達(dá)意圖這件事，人類最原始、最高效的方式，就是說話。

人類說話的速度大約是每分鐘150詞，打字速度大約是40詞。

這中間3-4倍的差距，就是語音編程要吃掉的市場。

暢想一下：

再往前看幾步。

如果語音輸入足夠準(zhǔn)確，如果AI對代碼意圖的理解足夠深，那編程最終的形態(tài)可能是這樣的：

你坐在沙發(fā)上，對著電腦說：把用戶模塊的權(quán)限系統(tǒng)重構(gòu)一下，改成RBAC模型，別忘了寫測試。

AI自動讀代碼、理解架構(gòu)、寫實(shí)現(xiàn)、跑測試、提PR。

你審一眼diff，說一句LGTM，合并。

從寫代碼到說需求，從程序員到編程導(dǎo)演。

這一天比大多數(shù)人想的要近。

Claude Code的這個/voice命令，就是一個起點(diǎn)。

它可能還很粗糙，可能還有各種小毛病。

但方向錯不了——未來的編程，一定是多模態(tài)的。

鍵盤、語音、甚至手勢和眼動，所有人類自然的表達(dá)方式，都會成為編程的輸入通道。

到那時候回頭看今天，就像我們現(xiàn)在看二十年前的打孔卡片一樣。

會覺得很可愛。

寫代碼這件事，終于可以動口不動手了。

雖然動完口之后，你可能還是得動手改bug。

參考資料：

https://x.com/bcherny/status/2028629573722939789