AI 通话 · 用说话和 Claude 协作

为什么做

我每天和好几个 AI 一起工作，
但跟它们说话，只能靠打字。

01输入框没有语音

用第三方方式登录的 Claude，输入框里没有麦克风按钮，长需求只能一个字一个字地敲。

02想像同事一样聊

理思路、模拟面试，打字太慢、太正式；想要的是“打个电话”的感觉。

03又不想离开当前工作

不想为了说一句话切窗口、开网页。最好按一下键就行，用完就走。

三种用法

一个按键对讲，一个按键听写，
还有一个能“打电话”的网页。

按住右 ⌘对讲

和带记忆的 Claude 说话

松手就发出去，Claude 用自然的声音一句一句回答。它记得你们聊过什么，也能直接读写你电脑上的文件、查资料。

按下就能打断它，Esc 随时停
声音、语速、模型一键切换
每天的通话自动整理成 Obsidian 笔记

按住右 ⌥听写

说完，校准好，直接填进输入框

Claude、微信、飞书、浏览器，哪里有输入框就填到哪里。短句松手就填；长句先去掉口头禅、补字、加标点，再填进去。

光标不在输入框，也会自动找到它
屏幕上只出现一个小胶囊，不打扰
没填进去绝不丢字：留在剪贴板，⌘V 即可

明天下午两点的面试，我们提前十分钟上线测试一下设备。

网页版通话

像打电话一样一来一回

点一下就开始，说完停三秒自动发送；它说话时你直接开口，它就停下来听你说。还能拖进图片让它一起看。

和 App 共用同一通电话、同一套设置
说话时光环随音量起伏，思考时星芒转动

怎么做到的

能放在本地的都放在本地，
只有“思考”交给 Claude。

识别在你的 Mac 上完成，录音不出设备；朗读按句子提前准备，上一句还没念完，下一句已经好了。

1收音按住才开麦

按住 0.18 秒后才打开麦克风，轻按不会惊动系统的录音提示。

2识别本地 SenseVoice

9 秒的话 0.2 秒转成文字，专有名词自动纠错。

3思考Claude Code

带着长期记忆和你的项目，能读写文件；一通电话就是一段连续的上下文。

4朗读神经音色

逐句合成、提前缓存，1–2 倍语速可调；豆包音色已预留好接入。

设计取舍

每一个细节，都是用出来的问题。

按住说话，而不是自动判断说完

自动判断总在我停顿思考时抢话。App 里改成按住说话，什么时候说完由人决定；网页版则放宽到停满 3 秒。

听写去掉了“确认”这一步

文字进了输入框也不会马上发出去，目标输入框本身就是确认的地方，没必要再确认一次。

听写只留一个小胶囊

听写的目的是打字，不是看 AI。浮窗缩成胶囊，填完就消失。

失败了也不能丢字

找不到输入框时，文字留在剪贴板并告诉你，宁可多一步，也不让你重说一遍。

轻按不开麦克风

每次开麦，菜单栏都会冒出提示点、把别的图标挤动，所以只有确定要说话才打开。

不碰别人的声音

录音时的人声处理会压低整台电脑的音量，现在每次录完就关掉，也不再压低其他 App。

我每天和好几个 AI 一起工作，但跟它们说话，只能靠打字。

一个按键对讲，一个按键听写，还有一个能“打电话”的网页。