最近被codex重置冲昏了头脑，一直薅额度去了。
这几天深度玩了一下才发现，上周发布的chatgpt voice才是真神。
我们真的进入科幻时代了。
第一眼最容易搞错的是： coding agent + voice != 语音输入法
请一定要把他当成电影《Her》，当成贾维斯，当成你的后台个人助理。
不要用看代码、看文档的眼神死死的盯着它。
没gpt账号？ 或者额度不够？
（gpt voice单独计费，plus15～30分钟就用完了， 用完就像鬼打墙，啥也看不到，一直说在确认中。。。）
还好， Qoder这周也推出了自己的voice体验版，这几天完全免费体验。
所以我狠狠的用了一下。
接下来分享几个我觉得这种新模式，带来真的很不一样的瞬间。
虽然只是个悬浮气泡，像是在打语音电话一样。 但它其实可以看见屏幕。
实际上我感觉这个叫 capture_screen_context的工具，似乎还可以看到很多上下文。
比如，在下面这个测试里边。
这个悬浮球能发现我打开的访达目录地址。 知道我让他干的事情，是要去这个目录里边去找。
一般简单的事情他会直接回复。但是如果是长任务会在后台排队顺序执行。
我专门确认了这点，它的回答是，为了确保任务一定完成，完成了会通知你。
这样也有好处，就是不用担心，你给他说的一些事情，最后不知道干到哪了，有遗漏之类的。
（不过我感觉如果能开多个进程并行干，可能会更爽。。）
在这种新的交互模式下，只有一个不太习惯的点。 如果我比较关心这个进度的结果，我就会一直问他。
没办法，牛马当习惯了，当这种甩手掌柜还真要适应，根本等不急它给我汇报。。。。
语音还有一个好处，就是可以持续的，琐碎的交流，获取实时的反馈。
所以，用来让他教小孩学习，教会我们使用一些软件。 或者引导我们学习一个知识点。 都会很方便。
我完全不会用obsidian，但是qoder可以在旁边指导我怎么用。
对于coding agent来说，写代码属于信手拈来，在后台轻轻松松帮我做好了obsidian文档的双链，然后还可以语音给他交流怎么链接合理。
用voice模式，可能比较担心的场景是。 后台生成了很多的文字文案。 巴拉巴拉个没完了。
但实际用的时候可以随便打断施法（响应都还算及时）。
这样用下来之后，还会有一个明显的工作习惯差异变化。
以前用coding agent，我会考虑plan模式。 agent模式。ask模式。
但是在voice之下，好像完全没有这种感觉了。 从需求澄清，到设计沟通，到部署。全都可以voice下实现。
可能这就是当老板的感觉，啥都给小弟安排。
下图是我用voice模式，测试给女朋友做一个提醒喝水的macos工具的过程。
当然这种小助理，目前来看，其实上下文还是有限的。 昨天我刷短视频还看到一个up主拿voice当塞尔达攻略找神庙，结果神庙给指到美国地图上去了。
写在最后。
以上肯定只是这个功能的冰山一角，但是我觉得这种连续的voice引入，真的是一种全新的交互范式。
这个功能跟语音输入法绝对是完全不同的物种。
目前，对我来说，最大的卡点，可能是社死吧。
要在大庭广众指挥ai干活，还真没法做出来。 万一被同事听见，饭碗还要不要了。
两家的最明显的差异是：
codex响应很快，但是额度烧的巨快。 中文说话调调比较奇怪，声调一直保持在一个很诡异的调上。
qoder的中文音色会更自然一些，但是护栏严格一些（比如模仿xxx说话，他会拒绝），国内的产品这些策略确实会严格一些。
目前基本上都能实现，科幻片里边的那种，一边聊天，一边安排后台的任务干活。
如果可以在弄在搭配上移动端随时唤起，替换弱智的siri，真的进入科幻时代了。
相关文章
