Höre auf, das Terminal zu lesen.
Sprich mit deinem Agenten.
Voice Mode ist ein bidirektionales Sprachgespräch mit einem laufenden KI-Coding-Agenten. Einmal tippen, deinen Zug sprechen, und der Agent antwortet laut mit natürlicher Stimme. Kein Prompt zu tippen, keine Wand aus Terminal-Ausgabe, durch die man scrollt, um herauszufinden, was passiert ist.
Schalte den freihändigen Modus ein und er hört zwischen den Antworten weiter zu, sodass du durch den Raum gehen, den Build beobachten oder deinen Kaffee trinken kannst, während du den Plan durchsprechst. Frage, wo das Refactoring steht, er sagt es dir. Sage führe die Tests aus und gib mir Bescheid, er tut es und spricht dann das Ergebnis.
Voice Mode in Aktion : der Agent hört zu, freihändig ist aktiviert, die Antwortstimme ist gewählt, und der Agent antwortet laut zwischen deinen Zügen.
Hier ist die Verschiebung, auf die Voice Mode antwortet. Dein Agent läuft länger und erledigt mehr von allein : er bearbeitet Dateien, führt Befehle aus, schreibt Tests, repariert, was er kaputt gemacht hat. Der Engpass ist nicht mehr das Schreiben von Code, sondern in der Schleife zu bleiben, während der Agent arbeitet. Zeile für Zeile Terminal-Ausgabe zu lesen oder noch einen Prompt zu tippen, um zu fragen, was los ist, zieht bei jedem einzelnen Zug zurück an die Tastatur.
Voice Mode verwandelt diese Schleife in ein Gespräch. Du sprichst deinen Zug laut, der Agent antwortet laut. Du stellst eine Frage, gibst eine Korrektur, bestätigst einen Plan, alles per Stimme, und du hörst die Antwort gesprochen mit natürlicher Stimme, statt sie auf dem Bildschirm zu entziffern. Es ist der Unterschied zwischen einen Prozess zu überwachen und mit einem Teamkollegen zu sprechen.
Das ist nicht dasselbe wie Sprachdiktat. Diktat ist einseitig : du sprichst, es transkribiert deine Worte in den Composer, und du liest trotzdem die Antwort des Agenten. Voice Mode ist bidirektional : Sprache rein, Sprache raus, ein lebendiges Hin und Her. Diktat hilft dir, einen Prompt schneller zu schreiben. Voice Mode lässt dich Tastatur und Bildschirm komplett überspringen, während du einen Agenten in Bewegung hältst.
Warum mit deinem Agenten sprechen, statt zu tippen und zu lesen
In der Schleife bleiben, freihändig. Ein fähiger Agent kann auf eine einzige Anweisung hin minutenlang laufen. Mit Voice Mode im freihändigen Modus bleibst du die ganze Zeit in Kontakt, ohne an der Tastatur zu sitzen. Frage nach einem Status, steuere den nächsten Schritt, bestätige eine Entscheidung, alles während du am Whiteboard stehst oder zusiehst, wie die App neu lädt.
Ein echtes Hin und Her. Einen Prompt zu tippen, zu warten, die Ausgabe zu lesen, wieder zu tippen, ist eine holprige Schleife. Den eigenen Zug zu sprechen und die Antwort zu hören, ist ein Gespräch. Es ist schneller für kurze Züge (ein schnelles Ja, eine kleine Korrektur, eine weitere Frage) und weit weniger ermüdend, als bei jedem Update Wände aus Terminal-Text zu lesen.
Augen frei, Bildschirm frei. Die Antwort des Agenten zu hören bedeutet, dass du nicht aufs Terminal schauen musst, um zu wissen, was er getan hat. Wirf einen Blick auf den Build, deine Tests, dein Design oder auf gar nichts, und lass das gesprochene Update dir sagen, wo die Dinge stehen. Der Agent kommentiert, du hältst deine Augen dort, wo die eigentliche Arbeit ist.
Auf dem in deinem Tarif enthaltenen KI-Kontingent. Voice Mode nutzt das AgentsRoom-Sprach-Backend, Spracherkennung beim Reingehen und Sprachsynthese beim Rausgehen, und schöpft aus demselben monatlichen Kontingent wie das Diktat. Jeder Tarif enthält eines, und wenn du es vor Monatsende aufbrauchst, kannst du auffüllen oder deinen eigenen OpenAI-API-Schlüssel hinterlegen und dich direkt von OpenAI abrechnen lassen.
So funktioniert Voice Mode
Öffne es bei einem laufenden Agenten, sprich, höre zu, wiederhole. Eine gesprochene Schleife statt Tippen-und-Lesen.
Öffne Voice Mode bei einem laufenden Agenten
Voice Mode startet für einen Agenten, der bereits in seinem Terminal läuft, aus dem Composer dieses Agenten. Es braucht eine aktive Sitzung, weil das Gespräch mit genau diesem Agenten geführt wird, in seinem aktuellen Kontext, nicht in einem leeren Chat.
Tippen, um zu sprechen
Einmal tippen und deinen Zug sprechen : eine Frage, eine Anweisung, eine Korrektur. Der Status wechselt mit einer Live-Anzeige auf Zuhören, sodass du siehst, dass das Mikrofon aufnimmt. Wähle freihändig, damit es zwischen den Zügen weiter zuhört, oder Tippen-zum-Sprechen, um einen Zug nach dem anderen zu machen.
Es transkribiert und sendet an den Agenten
Wenn du fertig bist, wird deine Sprache transkribiert und als deine Nachricht an den laufenden Agenten gesendet, genau so, als hättest du sie getippt. Der Status durchläuft Transkription und Senden, sodass du immer weißt, wo dein Zug in der Pipeline steht.
Der Agent arbeitet
Der Agent verarbeitet deinen Zug in seiner eigenen Sitzung : er kann Dateien lesen, Befehle ausführen, Code bearbeiten, Tests laufen lassen, alles, was deine Nachricht verlangt hat. Voice Mode zeigt einen Arbeits-Status mit dem Namen des Agenten, während er die Aufgabe erledigt, genau wie ein normaler Zug im Terminal.
Höre die Antwort laut
Wenn der Agent antwortet, wird seine Antwort laut in der von dir gewählten Stimme vorgelesen. Du hörst den Status, das Ergebnis, die nächste Frage, ohne das Terminal zu lesen. Ein optionaler Piepton markiert die Grenze zwischen den Zügen, damit du weißt, wann du wieder dran bist.
Nimm deinen nächsten Zug
Im freihändigen Modus hört es bereits wieder zu, du sprichst einfach weiter. Bei Tippen-zum-Sprechen tippst du, um deinen nächsten Zug zu starten. Das Gespräch geht so lange weiter, wie du möchtest, dann schließe Voice Mode und der Agent ist genau dort, wo du ihn in seinem Terminal gelassen hast.
Freihändig, damit du ohne Tastatur in der Schleife bleibst
Der Sinn von Voice Mode ist nicht die Neuheit. Es geht darum, mit einem schnellen Agenten Schritt zu halten, ohne an deinen Schreibtisch gefesselt zu sein.
Ein moderner Coding-Agent erledigt pro Zug viel, und die Lücken zwischen deinen Zügen sind die Stellen, an denen du normalerweise den Kontext verlieren würdest : du gehst weg, der Agent wird fertig, und du kommst zu einem Bildschirm voller Ausgabe zurück, die du nun lesen musst. Der freihändige Voice Mode schließt diese Lücke. Der Agent sagt dir laut, was er getan hat, wenn er fertig ist, und du antwortest, ohne sich wieder hinzusetzen.
Freihändig hält das Mikrofon zwischen den Zügen offen, sodass das Gespräch wie ein Telefonat fließt : du sprichst, er arbeitet, er spricht, du sprichst wieder. Du möchtest lieber jeden Zug kontrollieren ? Tippen-zum-Sprechen macht einen Zug nach dem anderen, praktisch in einem lauten Raum oder wenn du dich nur gelegentlich einschalten willst.
Der Piepton ist eine Kleinigkeit, die in der Praxis zählt. Wenn du nicht auf den Bildschirm schaust, sagt dir ein kurzer Piepton, dass der Agent zu Ende gesprochen hat und du dran bist, sodass du ihm nicht ins Wort fällst und nicht im Stillen wartest und dich fragst, ob er fertig ist.
Das macht Voice Mode für echte Arbeit nützlich und nicht nur zu einer Demo. Es ist für die Momente gebaut, in denen der Agent die schwere Arbeit erledigt und du steuern, nachfragen und bestätigen willst, während deine Hände und Augen für alles andere frei sind.
Wähle deine Stimme, folge dem Gespräch
Voice Mode gibt dir die Einstellungen, die ein gesprochenes Gespräch angenehm machen, und zeigt dir genau, wo jeder Zug steht.
Stimmen und Signale
- Antwortstimme : alloy und andere natürliche Stimmen
- Freihändig : hört zwischen den Zügen weiter zu
- Tippen-zum-Sprechen : ein Zug nach dem anderen
- Piepton : ein kurzer Ton markiert jede Zug-Grenze
- Auto-Sprache : sprich in deinen eigenen Worten, es erkennt die Sprache
- Pausentoleranz : wähle, wie lange eine Denkpause dauern darf, bevor dein Zug gesendet wird
Status des Gesprächs
- Zuhören : das Mikrofon nimmt deinen Zug auf
- Transkribieren : deine Sprache wird in Text umgewandelt
- Senden : deine Nachricht geht an den Agenten
- Arbeiten : der Agent erledigt die Aufgabe
- Sprechen : die Antwort des Agenten wird laut vorgelesen
Die automatische Spracherkennung bedeutet, dass du keine Sprache auswählen musst, um zu sprechen, und die sichtbaren Status bedeuten, dass du nie raten musst, ob der Agent dich gehört hat, arbeitet oder gleich antwortet.
Was Voice Mode unter der Haube wirklich tut
Voice Mode ist eine Vollduplex-Schicht über einer normalen Agenten-Sitzung. An deinem Zug nimmt es deine Stimme auf und sendet das Audio an das AgentsRoom-Backend, das die Spracherkennung ausführt und die Transkription zurückgibt. Diese Transkription wird als deine Nachricht in den laufenden Agenten eingespeist, sodass es aus Sicht des Agenten nur ein weiterer Zug in dem Gespräch ist, das er bereits mit dir führt.
An der Reihe des Agenten wird seine textuelle Antwort für die Sprachsynthese in der von dir gewählten Stimme zurück an das AgentsRoom-Backend gesendet, und das entstehende Audio wird dir abgespielt. Spracherkennung rein, Sprachsynthese raus, mit der echten Arbeit des Agenten dazwischen. Deshalb braucht Voice Mode ein Konto und einen laufenden Agenten : das Sprach-Backend leitet die Sprachmodelle weiter, und das Gespräch ist an eine aktive Sitzung gebunden.
Da der Agent immer nur Text sieht, ist Voice Mode von Natur aus provider-neutral. Ob der Agent auf Claude, Codex, GitHub Copilot CLI, Cursor oder einer der 13 weiteren von AgentsRoom unterstützten Agent-CLIs läuft, dein transkribierter Zug kommt als Nachricht an, und seine Antwort wird auf dieselbe Weise gesprochen. Nichts in der Sprach-Schicht hängt davon ab, welches CLI darunter läuft.
Voice Mode und Voice Dictation schöpfen aus demselben monatlichen Kontingent, da beide auf demselben Sprach-Backend aufbauen. Das Diktat verbraucht es, um deine Sprache einseitig zu transkribieren; Voice Mode verbraucht es für den vollständigen Hin- und Rückweg aus Transkription plus gesprochenen Antworten, von Natur aus offen, denn ein Gespräch kann so lange laufen, wie du sprichst. Deshalb wird das Kontingent nach Zeit abgerechnet und nicht nach Aufrufen.
Wo Voice Mode funktioniert
Ein bidirektionales gesprochenes Gespräch mit einem laufenden Desktop-Agenten, Sprache rein und Sprache raus.
Desktop, bei einem aktiven Agenten
Voice Mode läuft in der Desktop-App auf macOS, Windows und Linux, gestartet aus dem Composer eines bereits laufenden Agenten. Es spricht mit genau diesem Agenten in seiner aktuellen Sitzung, sodass das Gespräch den vollen Kontext hat, den der Agent aufgebaut hat, kein leeres Blatt.
Sprache rein
Dein Zug wird vom Mikrofon aufgenommen und vom AgentsRoom-Sprach-Backend transkribiert, dann als deine Nachricht an den Agenten gesendet. Freihändig hält das Mikrofon zwischen den Zügen offen ; Tippen-zum-Sprechen macht einen Zug nach dem anderen. Die Sprache wird automatisch erkannt.
Sprache raus
Die Antwort des Agenten wird per Sprachsynthese laut in der von dir gewählten Stimme vorgelesen (alloy und andere). Ein optionaler Piepton markiert das Ende jeder gesprochenen Antwort, sodass du weißt, dass du dran bist, selbst wenn du nicht auf den Bildschirm schaust.
Sprachdiktat vs Voice Mode
Beide nutzen deine Stimme. Das eine schreibt einen Prompt für dich, das andere führt ein Gespräch.
Sprachdiktat (einseitig)
- : Du sprichst, es transkribiert deine Worte in den Composer.
- : Du liest die Antwort des Agenten trotzdem selbst auf dem Bildschirm.
- : Ideal, um schnell einen langen, präzisen Prompt zu schreiben.
- : Du bleibst an der Tastatur, um zu senden und das Ergebnis zu lesen.
- : Eine Richtung : Stimme rein, Text im Entwurf, ab da übernehmst du.
Voice Mode (bidirektional)
- : Du sprichst deinen Zug, der Agent antwortet laut.
- : Du hörst die Antwort, kein Bedarf, das Terminal zu lesen.
- : Ideal, um zu steuern und nachzufragen, während der Agent arbeitet.
- : Freihändig hält das Gespräch ohne Tastatur am Laufen.
- : Beide Richtungen : Stimme rein, der Agent arbeitet, Stimme raus.
Nutze das Diktat, um in Sekunden einen guten Prompt zu schreiben, und Voice Mode, um mit dem Agenten zu sprechen, während er ihn ausführt.
Wie ein gesprochener Zug klingt
Du tippst nichts davon. Du sprichst deinen Zug laut, der Agent erledigt die Arbeit, und er spricht die Antwort zurück. Hier ist eine Runde eines Voice-Mode-Gesprächs.
Eine Gesprächsrunde
Du : Wo stehen wir beim Login-Refactoring?
Agent : Der Rate Limiter ist drin und der Erfolgspfad ist unangetastet. Zwei Tests sind noch rot.
Du : Repariere die zwei fehlschlagenden Tests, lass dann die ganze Suite laufen und sag mir die Zahl.
Agent : Erledigt. Beide bestehen jetzt. Komplette Suite : 142 bestanden, 0 fehlgeschlagen.
Du : Gut. Committe es mit einer kurzen Nachricht und hör da auf.FAQ
Was ist Voice Mode in AgentsRoom ?
Voice Mode ist ein bidirektionales Sprachgespräch mit einem laufenden KI-Coding-Agenten. Du tippst und sprichst deinen Zug, deine Sprache wird transkribiert und an den Agenten gesendet, der Agent erledigt die Arbeit, und seine Antwort wird dir laut mit natürlicher Stimme vorgelesen. So kannst du mit einem Agenten sprechen und seine Antworten hören, statt Prompts zu tippen und Terminal-Ausgabe zu lesen.
Worin unterscheidet sich Voice Mode vom Sprachdiktat ?
Sprachdiktat ist einseitig : du sprichst und deine Worte werden als Prompt in den Composer transkribiert, dann liest du die Antwort des Agenten auf dem Bildschirm. Voice Mode ist bidirektional : du sprichst deinen Zug und der Agent antwortet laut, ein lebendiges gesprochenes Hin und Her. Diktat hilft, einen Prompt schneller zu schreiben ; Voice Mode lässt dich ein freihändiges Gespräch führen, während der Agent arbeitet.
Spricht der Agent wirklich zurück ?
Ja. Die Antwort des Agenten wird per Sprachsynthese in Sprache umgewandelt und laut in der von dir gewählten Stimme abgespielt. Du hörst den Status, das Ergebnis und die nächste Frage, sodass du das Terminal nicht lesen musst, um zu wissen, was der Agent getan hat.
Was ist der freihändige Modus ?
Freihändig hält das Mikrofon zwischen den Zügen offen, sodass das Gespräch wie ein Telefonat fließt : du sprichst, der Agent arbeitet, er spricht, und er hört bereits auf deinen nächsten Zug. Wenn du lieber jeden Zug kontrollierst, macht Tippen-zum-Sprechen einen Zug nach dem anderen, praktisch in einem lauten Raum.
Kann ich die Stimme wählen ?
Ja. Du wählst die Antwortstimme (alloy und andere Stimmen), die für die gesprochenen Antworten des Agenten verwendet wird. Du kannst auch einen optionalen Piepton aktivieren, der einen kurzen Ton an der Grenze zwischen den Zügen abspielt, damit du weißt, wann der Agent zu Ende gesprochen hat und du dran bist.
Welche Sprachen unterstützt Voice Mode ?
Voice Mode erkennt automatisch die Sprache, die du sprichst, sodass du in deinen eigenen Worten sprechen kannst, ohne vorher eine Sprache zu wählen. Die Transkription wird vom AgentsRoom-Sprach-Backend übernommen, demselben Sprach-Stack, der auch für das Diktat verwendet wird.
Brauche ich ein Konto und einen laufenden Agenten ?
Ja zu beidem. Voice Mode braucht ein angemeldetes Konto, weil das Sprach-Backend die Sprachmodelle weiterleitet und aus dem monatlichen Kontingent deines Tarifs schöpft, und es braucht einen Agenten, weil das Gespräch diesen Agenten steuert.
Verbraucht Voice Mode Guthaben ?
Ja. Voice Mode schöpft aus demselben monatlichen Kontingent wie das Diktat. Das Diktat verbraucht es, um deine Sprache einseitig zu transkribieren; Voice Mode verbraucht es für den vollständigen Hin- und Rückweg aus Transkription plus gesprochenen Antworten, von Natur aus offen, denn ein Gespräch kann so lange laufen, wie du sprichst. Wenn du es vor Monatsende aufbrauchst, kannst du deinen Monat auffüllen oder deinen eigenen OpenAI-API-Schlüssel in der App hinterlegen und dich direkt von OpenAI abrechnen lassen.
Ist es in der Online-Web-Demo verfügbar ?
Nein. Die öffentliche Web-Demo simuliert das Backend, daher kann das Echtzeit-Sprachgespräch dort nicht laufen. Ein Klick auf Voice Mode in der Demo zeigt einen Hinweis, der dich einlädt, AgentsRoom herunterzuladen, wo Voice Mode mit deinen echten Agenten spricht.
Funktioniert Voice Mode mit Claude Code, Codex und Antigravity ?
Ja, mit allen dreien und mit jedem weiteren von AgentsRoom unterstützten Agent-CLI: 17 insgesamt, GitHub Copilot CLI und Cursor inbegriffen. Der Agent sieht immer nur Text, also kommt dein gesprochener Zug als Nachricht an und seine Antwort wird auf dieselbe Weise gesprochen, egal welches Agenten-CLI darunter läuft.
Hat Codex einen eigenen Sprachmodus?
Ja, auf Seiten von OpenAI. ChatGPT Voice, angetrieben von GPT-Live, ist ein gesprochenes Gespräch in beide Richtungen, das du zu einer Codex-Aufgabe in der ChatGPT-Desktop-App öffnest, oder über Codex auf iOS, sobald dein Telefon mit einem Computer als Host gekoppelt ist: du besprechst die Aufgabe mündlich, und die Stimme kann Aufgaben starten, ihren Stand prüfen und ihnen weitere Anweisungen schicken. Ein separates Sprachdiktat wandelt nur Sprache in Prompt-Text um. OpenAI bietet die Funktion in den Abos Plus, Pro, Business, Edu und Enterprise an, mit jeweils nur einem aktiven Sprachchat gleichzeitig (OpenAI-Dokumentation, Oktober 2026). Das Codex CLI hat auch einen: Im Terminal startet /voice ein gesprochenes Gespräch im aktuellen Thread, und /voice settings wählt die Stimme (codex-cli 0.162.1, auf macOS, Windows und Linux). Beide bleiben auf Seiten von OpenAI: du steuerst Codex, dazu Chat- und Work-Aufgaben in der Desktop-App, nicht die anderen Agent-CLIs. Voice Mode von AgentsRoom setzt am anderen Ende an: Er umhüllt die Sitzung des Agent-CLIs, das du startest, sodass dasselbe gesprochene Hin und Her mit Claude, Codex, GitHub Copilot CLI, Cursor und 13 weiteren Agent-CLIs funktioniert, und das Sprachdiktat füllt den Composer, wenn du nur einen Prompt diktieren möchtest.
Passt gut zu
Sprachdiktat
Das einseitige Gegenstück zu Voice Mode. Diktiere per Stimme einen langen, präzisen Prompt in den Composer, dann sprich mit dem Agenten, während er ihn ausführt.
Agentensteuerung aus der Ferne
Steuere deine Desktop-Agenten von deinem Smartphone. Die Stimme ist die natürlichste Art, mit einem Agenten Schritt zu halten, wenn du fern von der Tastatur bist.
Mobile-Desktop-Sync
Die Ende-zu-Ende-verschlüsselte Verbindung zwischen deinem Smartphone und deinen Desktop-Agenten, damit du mit dem verbunden bleibst, was auf deinem Rechner läuft.
Agentenstatus
Sieh auf einen Blick, wer arbeitet, wer fertig ist, wer feststeckt. Voice Mode lässt dich einen arbeitenden Agenten laut nach diesem Status fragen.
Multi-Provider
Lass Claude, Codex, Antigravity, OpenCode, Aider, Grok Build, Mistral Vibe und Kimi Code nebeneinander laufen. Voice Mode spricht mit jedem von ihnen auf dieselbe Weise.
Scratchpad
Ein größerer Editor in der Fußzeile für Notizen und längere Briefings. Kombiniere ihn mit der Stimme, wenn ein Zug zu lang oder zu präzise zum Sprechen ist.
Sprachmodus in Codex, OpenCode, Antigravity und Claude Code: Welche CLI hat einen?
Wir haben am 13. Oktober 2026 fünf CLIs für Coding-Agenten und zwei Apps geprüft. Codex CLI und oh-my-pi führen ein gesprochenes Gespräch, Claude Code und Antigravity CLI diktieren nur in den Prompt, OpenCode hat nichts eingebaut. Wie du jede startest, wohin das Audio geht und was Sprache an Tokens kostet.
Verbraucht Remote Control von Claude Code mehr Tokens? Und hat Codex so etwas auch?
Zwei Fragen, die Leute bei Google eintippen, seit Anthropic Remote Control ausgeliefert hat: Kostet es mehr Tokens, eine Claude Code-Sitzung vom Handy aus zu steuern, und gibt es ein Gegenstück für Codex. Kurze Antworten: Nein, ein Zug ist ein Zug, egal wo Sie ihn tippen, und ja, aber nur die Hälfte davon existiert. Hier steht, was Remote Control wirklich ist, wie Sie die Token-Frage selbst in vier Befehlen messen, was codex remote-control heute tut, und wie eine mobile Fernbedienung, die nie mit einem Provider spricht, die Rechnung verändert.
Sprich mit deinen Agenten, höre ihre Antworten
Lade AgentsRoom herunter und öffne Voice Mode bei einem laufenden Agenten. Sprich deinen Zug, höre die Antwort und bleibe freihändig in der Schleife, während der Agent die Arbeit erledigt. Ein bidirektionales Sprachgespräch, integriert in deine KI-Coding-IDE.
Companion-App: Agenten auch unterwegs im Blick behalten
Nutze Claude, Codex, Antigravity CLI oder einen anderen KI-Anbieter.
Bugs und Wünsche direkt in dein öffentliches Backlog schicken.