Sprachmodus in Codex, OpenCode, Antigravity und Claude Code: Welche CLI hat einen?

Leute tippen „codex voice mode“, „opencode voice mode“ und „antigravity voice mode“ bei Google ein, und die Antworten, die sie finden, vermischen zwei verschiedene Dinge unter demselben Namen. Also haben wir am 13. Oktober 2026 jede CLI geöffnet, die auf unserer Build-Maschine installiert ist, ihre eigene Befehlsliste gelesen und sie mit der Dokumentation des Herstellers vom selben Tag abgeglichen.

Zuerst zwei Begriffe, denn die ganze Antwort hängt davon ab.

Diktat geht in eine Richtung. Du sprichst, die Worte landen im Prompt, du drückst Enter, und du liest die Antwort auf dem Bildschirm.

Sprachmodus geht in beide Richtungen. Du sprichst, der Agent erledigt die Arbeit, und die Antwort wird dir laut vorgelesen. Du kannst die Augen vom Terminal lassen.

Die Kurzfassung

Der Rest dieser Seite liefert die Details zu jeder Zeile, dann die Frage, die direkt danach kommt: Kostet es mehr Tokens, mit einem Agenten zu sprechen, als ihm zu schreiben?

Claude Code: Diktat, kein Gespräch

Claude Code hat ein Sprachdiktat (ab Version 2.1.69). Du schaltest es einmal mit /voice ein, und es bleibt über alle Sitzungen hinweg an:

/voice
Voice mode enabled (hold). Hold space to record. Dictation language: en (/config to change).

Halte Space gedrückt, während du sprichst, und lass los, um aufzuhören. Deine Worte erscheinen im Prompt, während du sprichst, abgeblendet, bis das Transkript endgültig ist, und du kannst Tippen und Diktieren in derselben Nachricht mischen. Wenn du lieber keine Taste gedrückt hältst, startet /voice tap die Aufnahme beim ersten Tastendruck und sendet den Prompt beim zweiten, sofern das Transkript mindestens drei Wörter hat. Die Taste ist die Belegung voice:pushToTalk, und du kannst sie in ~/.claude/keybindings.json auf eine Kombination mit Modifikatortaste wie meta+k legen.

Die Grenzen stehen in der Dokumentation zum Sprachdiktat. Das Audio wird zur Transkription an die Server von Anthropic gestreamt, nicht lokal verarbeitet. Es braucht eine claude.ai-Anmeldung: Mit einem Anthropic-API-Schlüssel, Bedrock oder einem anderen Cloud-Anbieter ist /voice ein unbekannter Befehl. Es braucht ein lokales Mikrofon, funktioniert also weder in SSH-Sitzungen noch in Cloud-Sitzungen. Die Diktiersprache folgt der Einstellung language, mit 20 unterstützten Sprachen und Englisch als Rückfallsprache.

Was es nicht tut, ist sprechen. Claude antwortet als Text, wie immer. Die Claude-App hat einen echten Sprachmodus, als Beta auf Mobilgeräten, auf dem Desktop und im Web, aber die Hilfeseite zum Sprachmodus von Anthropic sagt es deutlich: In Claude Cowork und Claude Code ist das Diktat verfügbar, der Sprachmodus nicht.

Codex CLI: ein echtes Sprachgespräch mit /voice

Das ist die CLI, nach der die meisten suchen, und die, bei der die Dokumentation am wenigsten klar ist.

Die Sprachseite für Codex von OpenAI beschreibt ChatGPT Voice, angetrieben von GPT-Live: ein gesprochenes Gespräch, das du zu einer Codex-Aufgabe in der ChatGPT-Desktop-App öffnest, oder über Codex auf iOS, sobald das Handy mit einem Desktop-Host gekoppelt ist. Sie nennt die Abos Plus, Pro, Business, Edu und Enterprise, jeweils nur einen aktiven Sprachchat und ein separates Diktat, das nur Sprache in Prompt-Text umwandelt. Die CLI erwähnt sie nicht.

Die CLI hat einen eigenen. In codex-cli 0.162.1 enthält die Liste der Slash-Befehle (im Open-Source-Repository und im installierten Binary) /voice, beschrieben als „start or stop voice; use /voice settings to choose a voice“. Du kannst prüfen, ob die Funktion in deiner Installation aktiv ist:

codex features list | grep realtime
# realtime_conversation   stable   true

In einer Sitzung startet /voice ein Echtzeitgespräch im aktuellen Thread. Du sprichst, Codex antwortet laut, und Untertitel beider Seiten laufen im Terminal durch. Die Tastenbelegung hat eine Aktion, um das Gespräch zu starten oder zu beenden, und eine weitere, um dein Mikrofon stummzuschalten, beide neu belegbar. Die CLI verweigert in drei Fällen, mit je einer eigenen Meldung: vor der ersten Nachricht eines Gesprächs („Start a conversation before using voice mode“), in einem Nebengespräch und auf einem Build ohne den Audio-Stack („Voice requires macOS, an MSVC-based Windows build, or a glibc-based Linux build“).

Zwei Modelle arbeiten während dieses Gesprächs: ein Echtzeit-Audiomodell, das mit dir spricht, und der Codex-Thread, der die Arbeit erledigt. Die Sprachkomponente gibt deine Anfragen an den Thread weiter, was der Quellcode einen Handoff nennt, und spricht aus, was dabei herauskommt. Behalte das für den Token-Abschnitt weiter unten im Kopf.

OpenCode: nichts eingebaut

OpenCode 1.19.0 hat keinen Sprachbefehl und kein Diktat. Die einzigen „speech“-Strings in seinem Binary sind die Beschreibungen von Modellen für gesprochene Sprache in seinem Provider-Katalog, die du aus deinem eigenen Code aufrufen könntest, keine Möglichkeit, mit OpenCode zu sprechen.

Die Community füllt die Lücke. opencode-voice ist ein Plugin, das in den Prompt von OpenCode diktiert: Ctrl+X V startet die Aufnahme, Enter beendet sie und fügt das Transkript ein, und für die Transkription wählst du zwischen lokalem Whisper, OpenAI, ElevenLabs oder der App Handy. Sein README ist ehrlich über seinen Zustand: Vorabversion, nur Linux x64, experimentelle Mikrofonaufnahme. Es liest keine Antworten vor.

Unter macOS oder Windows funktioniert das im Betriebssystem eingebaute Diktat in jedem Terminal, OpenCode eingeschlossen.

Antigravity CLI: Diktat mit /voice

Antigravity CLI hat ein Diktat, dokumentiert auf ihrer /voice-Seite. /voice, sein Alias /record oder die Taste F5 startet es. Der Text landet im Prompt-Feld und wird erst gesendet, wenn du ihn sendest.

Drei Grenzen. Es braucht eine interaktive Sitzung und ist im Modus --print deaktiviert. Es ist für Business- oder Enterprise-Konten nicht verfügbar. Und wenn du dich angemeldet hast, bevor das Diktat ausgeliefert wurde, schlägt die Transkription fehl, bis du /logout ausführst und dich erneut anmeldest.

Der SSH-Fall ist besser gelöst als bei den meisten: Führe agy mic-serve auf deinem eigenen Rechner aus, öffne einen Reverse-Tunnel mit ssh -R 24713:127.0.0.1:4713 <server> und starte die CLI auf dem Server mit ANTIGRAVITY_MIC=127.0.0.1:24713 agy. Dein Mikrofon speist dann die entfernte Sitzung. Eine gesprochene Antwort gibt es nicht.

oh-my-pi: beides, und das Diktat bleibt auf deinem Rechner

oh-my-pi (omp) ist die einzige CLI hier, die beides kann, und ihr Diktat verlässt nie den Rechner.

Die Spracherkennung ist standardmäßig aus. Schalte sie in den Einstellungen ein (Gruppe Speech), halte dann Space gedrückt, um aufzunehmen, und lass los, um zu transkribieren. Das Modell läuft auf dem Gerät: standardmäßig Parakeet TDT v3, mit Whisper-Größen als Alternativen für kleinere Rechner. Eine Einstellung entscheidet, wann ein Diktat gesendet wird: nie, beim Loslassen, beim Loslassen mit einem vollständigen Satz oder wenn du „submit“ sagst.

Das Gespräch ist /live, oder Ctrl+L. Die CLI beschreibt es als „Codex-backed realtime voice mode“, und die Stimme wird in den Einstellungen gewählt (Live Voice). Davon getrennt liest omp say beliebigen Text mit Kokoro-82M vor, einem Sprachsynthesemodell, das ebenfalls lokal läuft.

Paseo und T3 Code: Sprache in einer App, nicht in einer CLI

Zwei Apps tauchen bei denselben Suchen auf.

Paseo betreibt einen Daemon, der deine Coding-Agenten verwaltet, mit Clients für Desktop, Mobilgeräte, Web und CLI. Es kann Diktat und Gespräche im Sprachmodus. Die Sprachverarbeitung kann auf deinem Rechner laufen (Parakeet für die Spracherkennung, Kokoro für die Sprachsynthese, ONNX-Modelle auf der CPU) oder über OpenAI, und der Sprachmodus selbst ist eine versteckte Agenten-Sitzung auf Claude, Codex oder OpenCode. Das lokale Standardmodell für die Spracherkennung versteht nur Englisch; ein anderes Parakeet-Modell deckt 25 europäische Sprachen ab. Den Rest von Paseo haben wir auf der Seite zur Paseo-Alternative mit AgentsRoom verglichen.

T3 Code hat eine Spracheingabe in seiner iOS-App: Die Transkription läuft auf dem Handy und füllt den Entwurf, sie sendet nie etwas von selbst. Keine gesprochenen Antworten.

Verbraucht der Sprachmodus mehr Tokens?

Das ist die Frage direkt nach „gibt es das“, und sie hat für jedes Werkzeug eine andere Antwort.

• Diktat von Claude Code: nein. Die Dokumentation von Anthropic sagt, dass die Transkription weder Claude-Nachrichten noch Tokens verbraucht und nicht zu den in /usage angezeigten Limits zählt. Was du diktierst, wird ein normaler Prompt und kostet so viel wie derselbe getippte Prompt.
• Sprachmodus der Claude-App: Er zählt laut der Hilfeseite von Anthropic zu deinen üblichen Nutzungslimits, wie Text.
• /voice von Codex CLI: Ein Echtzeit-Audiomodell läuft neben dem Codex-Thread, solange das Gespräch offen ist. Die Seiten von OpenAI sagen nicht, wie ein Sprachgespräch auf die Limits von Codex angerechnet wird. Wir haben keine Zahl gefunden, also nennen wir keine.
• Antigravity CLI: nur Diktat, und die Dokumentation sagt nicht, wie es angerechnet wird.
• oh-my-pi: Das Diktat auf dem Gerät kostet keine Tokens und sendet nichts. /live läuft über den Echtzeit-Sprachmodus von Codex.

Die Regel dahinter ist überall dieselbe: Das Modell, das die Arbeit macht, liest Text. Ein gesprochener Zug wird abgerechnet wie ein getippter. Was deine Rechnung verändert, sind die Zahl der Züge und die Tiefe der Sitzung, und Sprache führt eher zu mehr Zügen, dafür kürzeren. Dasselbe haben wir für das Handy in verbraucht Remote Control von Claude Code mehr Tokens festgehalten.

Was AgentsRoom daneben macht

Voice Mode in AgentsRoom geht den anderen Weg: ein einziges gesprochenes Gespräch, das nicht davon abhängt, welche CLI du startest.

Es arbeitet am Terminal, nicht an der CLI. Du öffnest es bei einem Agenten, der bereits läuft. Dein Zug wird transkribiert und als deine Nachricht in das Terminal dieses Agenten geschickt, der Agent arbeitet in seiner eigenen Sitzung, und seine Antwort wird in der Stimme vorgelesen, die du gewählt hast. Der freihändige Modus öffnet das Mikrofon nach jeder Antwort wieder. Die Sprache wird erkannt. Das ist gleich für Claude Code, Codex, GitHub Copilot CLI, Cursor und die 10 anderen Agent-CLIs, die AgentsRoom ausführt, in der Desktop-App auf macOS, Windows und Linux.

Der Token-Mehraufwand ist klein und sichtbar: Bei der ersten gesprochenen Nachricht erhält der Agent eine kurze Vorbemerkung, die eine gesprochene Antwort von zwei bis fünf Sätzen verlangt, ohne Markdown und ohne vorgelesene Dateipfade, dann alle fünf Nachrichten eine Erinnerung. Die Sprachverarbeitung selbst läuft auf unserem Backend und wird über Sprachguthaben abgerechnet, das mit dem Diktat geteilt wird, oder über deinen eigenen OpenAI-API-Schlüssel.

Für reines Diktat gibt es einen Mikrofon-Button im Composer, beschrieben auf der Seite Sprachdiktat. Die in eine CLI eingebaute Sprachfunktion kannst du in ihrem Terminal weiter nutzen: Die beiden schließen sich nicht aus.

So prüfst du es auf deinem Rechner

Versionen ändern sich schnell, und diese Seite wird altern. So prüfst du jede Zeile der Tabelle in einer Minute:

claude --version       # then /voice in a session
codex --version        # then: codex features list | grep realtime
opencode --version     # no voice command in the help
agy --version          # then /voice in a session
omp --version          # then the Speech settings, and /live

Wenn /voice in Claude Code mit „Unknown command“ antwortet, bist du mit einem API-Schlüssel oder einem Cloud-Anbieter angemeldet, nicht mit einem claude.ai-Konto. Wenn realtime_conversation in der Codex-Liste fehlt, ist deine CLI älter als die, die wir geprüft haben.

Häufige Fragen

Hat Codex CLI einen Sprachmodus?

Ja. In codex-cli 0.162.1 startet der Befehl /voice ein gesprochenes Gespräch im aktuellen Thread: Du sprichst, Codex antwortet laut, und Untertitel beider Seiten erscheinen im Terminal. /voice settings wählt die Stimme. Es braucht ein bereits begonnenes Gespräch, funktioniert nicht in Nebengesprächen und läuft auf den Builds für macOS, Windows und Linux, die es unterstützen. Die Sprachseite von OpenAI dokumentiert ChatGPT Voice in der ChatGPT-Desktop-App und in Codex auf iOS, nicht den CLI-Befehl, also haben wir die CLI selbst geprüft.

Hat Claude Code einen Sprachmodus?

Claude Code hat ein Sprachdiktat, kein gesprochenes Gespräch. Führe /voice aus, halte dann Space gedrückt, während du sprichst (oder nutze /voice tap), und das Transkript landet im Prompt. Claude antwortet weiterhin als Text. Es braucht eine claude.ai-Anmeldung und ein lokales Mikrofon, funktioniert also weder mit einem API-Schlüssel noch in SSH-Sitzungen oder Cloud-Sitzungen. Anthropic sagt, dass der Sprachmodus der Claude-App in Claude Code nicht verfügbar ist.

Hat OpenCode einen Sprachmodus?

Nicht eingebaut. OpenCode 1.19.0 hat keinen Sprachbefehl und kein Diktat. Ein Community-Plugin, opencode-voice, fügt mit Ctrl+X V ein Diktat in den Prompt hinzu, ist aber eine Vorabversion und läuft nur unter Linux x64. Ansonsten nutzt du das Diktat deines Betriebssystems.

Hat Antigravity CLI einen Sprachmodus?

Antigravity CLI hat ein Diktat. /voice, sein Alias /record oder die Taste F5 wandeln deine Sprache in Text im Prompt-Feld um, ohne ihn zu senden. Es braucht eine interaktive Sitzung, ist im Modus --print deaktiviert und für Business- oder Enterprise-Konten nicht verfügbar. Über SSH leitet agy mic-serve das Mikrofon deines eigenen Rechners an den Server weiter. Eine gesprochene Antwort gibt es nicht.

Verbraucht der Sprachmodus von Claude mehr Tokens?

Kommt darauf an, welche Sprachfunktion du meinst. Das Diktat von Claude Code verbraucht laut der Dokumentation von Anthropic weder Claude-Nachrichten noch Tokens und zählt nicht zu den Limits in /usage: Was du diktierst, wird ein normaler Prompt. Der Sprachmodus der Claude-App zählt zu deinen üblichen Nutzungslimits, wie Text. In beiden Fällen sieht das Modell Text, ein gesprochener Zug kostet also so viel wie derselbe getippte Zug, und was wirklich zählt, sind die Zahl und die Tiefe der Züge.

Was ist der Unterschied zwischen Sprachdiktat und Sprachmodus?

Das Diktat geht in eine Richtung: Du sprichst, die Worte landen im Prompt, und du liest die Antwort auf dem Bildschirm. Der Sprachmodus geht in beide Richtungen: Du sprichst, und die Antwort wird dir laut vorgelesen. Claude Code und Antigravity CLI diktieren. Codex CLI und oh-my-pi können beides. OpenCode kann ohne Plugin keins von beiden.