Codex, OpenCode, Antigravity और Claude Code में वॉइस मोड: किस CLI में यह है?

लोग Google में "codex voice mode", "opencode voice mode" और "antigravity voice mode" टाइप करते हैं, और उन्हें जो जवाब मिलते हैं वे एक ही नाम के नीचे दो अलग चीज़ें मिला देते हैं। इसलिए 13 अक्टूबर 2026 को हमने अपनी बिल्ड मशीन पर इंस्टॉल हर CLI खोला, उसकी अपनी कमांड लिस्ट पढ़ी, और उसे उस दिन के वेंडर दस्तावेज़ से मिलाया।

पहले दो शब्द, क्योंकि पूरा जवाब इन्हीं पर टिका है।

डिक्टेशन एकतरफा है। आप बोलते हैं, शब्द प्रॉम्प्ट में आ जाते हैं, आप Enter दबाते हैं, और जवाब स्क्रीन पर पढ़ते हैं।

वॉइस मोड दोतरफा है। आप बोलते हैं, एजेंट काम करता है, और जवाब आपको बोलकर सुनाया जाता है। आप टर्मिनल से नज़रें हटा सकते हैं।

छोटा जवाब

इस पेज का बाकी हिस्सा हर लाइन का ब्योरा है, फिर वह सवाल जो ठीक इसके बाद आता है: क्या एजेंट से बात करने में उसे टाइप करके लिखने से ज़्यादा टोकन लगते हैं।

Claude Code: डिक्टेशन, बातचीत नहीं

Claude Code में वॉइस डिक्टेशन है (वर्शन 2.1.69 या उसके बाद)। आप इसे एक बार /voice से चालू करते हैं, और यह हर सत्र में चालू रहता है:

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

बोलते समय Space दबाए रखें और रोकने के लिए छोड़ दें। आपके शब्द बोलते-बोलते प्रॉम्प्ट में दिखते जाते हैं, ट्रांसक्रिप्ट पक्का होने तक धुंधले, और आप एक ही संदेश में टाइपिंग और डिक्टेशन मिला सकते हैं। अगर आप कुंजी दबाए नहीं रखना चाहते, तो /voice tap पहली बार दबाने पर रिकॉर्डिंग शुरू करता है और दूसरी बार दबाने पर प्रॉम्प्ट भेज देता है, बशर्ते ट्रांसक्रिप्ट में कम से कम तीन शब्द हों। कुंजी voice:pushToTalk बाइंडिंग है, और आप इसे ~/.claude/keybindings.json में meta+k जैसे मॉडिफ़ायर कॉम्बिनेशन पर ले जा सकते हैं।

सीमाएँ वॉइस डिक्टेशन दस्तावेज़ में लिखी हैं। ऑडियो ट्रांसक्रिप्शन के लिए Anthropic के सर्वरों पर स्ट्रीम होता है, स्थानीय रूप से प्रोसेस नहीं होता। इसके लिए claude.ai लॉगिन चाहिए: Anthropic API key, Bedrock या किसी दूसरे क्लाउड प्रोवाइडर के साथ /voice एक अनजान कमांड है। इसके लिए स्थानीय माइक चाहिए, इसलिए यह SSH सत्रों में या क्लाउड सत्रों में काम नहीं करता। डिक्टेशन की भाषा language सेटिंग के हिसाब से चलती है, 20 भाषाएँ समर्थित हैं और अंग्रेज़ी डिफ़ॉल्ट विकल्प है।

यह जो नहीं करता, वह है बोलना। Claude हमेशा की तरह टेक्स्ट में जवाब देता है। Claude ऐप में असली वॉइस मोड है, मोबाइल, डेस्कटॉप और वेब पर बीटा में, लेकिन Anthropic का वॉइस मोड हेल्प पेज साफ़ कहता है: Claude Cowork और Claude Code में डिक्टेशन उपलब्ध है, वॉइस मोड नहीं।

Codex CLI: /voice के साथ असली वॉइस बातचीत

ज़्यादातर लोग इसी को ढूँढ रहे हैं, और इसी के बारे में दस्तावेज़ सबसे कम साफ़ है।

OpenAI का Codex के लिए वॉइस पेज ChatGPT Voice के बारे में बताता है, जो GPT-Live पर चलता है: एक बोलकर होने वाली बातचीत जिसे आप ChatGPT डेस्कटॉप ऐप में किसी Codex टास्क पर खोलते हैं, या iOS पर Codex के ज़रिए, जब फ़ोन किसी डेस्कटॉप होस्ट से पेयर हो चुका हो। इसमें Plus, Pro, Business, Edu और Enterprise प्लान, एक समय में एक ही सक्रिय वॉइस चैट, और एक अलग डिक्टेशन का ज़िक्र है जो सिर्फ़ बोली को प्रॉम्प्ट टेक्स्ट में बदलता है। इसमें CLI का ज़िक्र नहीं है।

CLI का अपना है। codex-cli 0.162.1 में, स्लैश कमांड की लिस्ट (ओपन सोर्स रिपॉजिटरी में और इंस्टॉल की गई बाइनरी में) में /voice है, जिसका विवरण है "start or stop voice; use /voice settings to choose a voice"। आप पक्का कर सकते हैं कि आपके इंस्टॉल में यह फ़ीचर चालू है:

codex features list | grep realtime
# realtime_conversation   stable   true

सत्र के अंदर, /voice मौजूदा थ्रेड पर एक रियल-टाइम बातचीत शुरू करता है। आप बोलते हैं, Codex आवाज़ में जवाब देता है, और दोनों तरफ़ की बातें लिखी हुई टर्मिनल में स्क्रॉल होती हैं। कीमैप में बातचीत शुरू या बंद करने के लिए एक एक्शन है और आपका माइक म्यूट करने के लिए दूसरा, दोनों बदले जा सकते हैं। CLI तीन हालात में मना करता है, हर एक के लिए एक संदेश के साथ: बातचीत के पहले संदेश से पहले ("Start a conversation before using voice mode"), साइड बातचीत के अंदर, और ऑडियो स्टैक के बिना वाले बिल्ड पर ("Voice requires macOS, an MSVC-based Windows build, or a glibc-based Linux build")।

उस बातचीत के दौरान दो मॉडल काम करते हैं: एक रियल-टाइम वॉइस मॉडल जो आपसे बात करता है, और Codex थ्रेड जो काम करता है। वॉइस वाला हिस्सा आपके अनुरोध थ्रेड को सौंपता है, जिसे सोर्स कोड handoff कहता है, और जो नतीजा निकलता है उसे बोलकर सुनाता है। नीचे टोकन वाले हिस्से के लिए यह बात याद रखें।

OpenCode: कुछ भी बिल्ट-इन नहीं

OpenCode 1.19.0 में न कोई वॉइस कमांड है, न डिक्टेशन। उसकी बाइनरी में "speech" वाली इकलौती स्ट्रिंग उसके प्रोवाइडर कैटलॉग में स्पीच मॉडल के विवरण हैं, जिन्हें आप अपने कोड से कॉल कर सकते हैं, OpenCode से बात करने का कोई तरीका नहीं।

कम्युनिटी यह कमी भरती है। opencode-voice एक प्लगइन है जो OpenCode के प्रॉम्प्ट में डिक्टेशन करता है: Ctrl+X V रिकॉर्डिंग शुरू करता है, Enter उसे रोककर ट्रांसक्रिप्ट डाल देता है, और ट्रांसक्रिप्शन के लिए आप स्थानीय Whisper, OpenAI, ElevenLabs या Handy ऐप में से चुनते हैं। इसका README अपनी हालत के बारे में ईमानदार है: प्री-रिलीज़ सॉफ़्टवेयर, सिर्फ़ Linux x64, प्रायोगिक माइक कैप्चर। यह जवाब बोलकर नहीं सुनाता।

macOS या Windows पर, ऑपरेटिंग सिस्टम में बिल्ट-इन डिक्टेशन किसी भी टर्मिनल में काम करता है, OpenCode में भी।

Antigravity CLI: /voice के साथ डिक्टेशन

Antigravity CLI में डिक्टेशन है, जिसका दस्तावेज़ उसके /voice पेज पर है। /voice, उसका उपनाम /record, या F5 कुंजी इसे शुरू करती है। टेक्स्ट प्रॉम्प्ट बॉक्स में आता है और तब तक नहीं जाता जब तक आप उसे न भेजें।

तीन सीमाएँ। इसके लिए इंटरैक्टिव सत्र चाहिए और --print मोड में यह बंद रहता है। यह बिज़नेस या एंटरप्राइज़ खातों के लिए उपलब्ध नहीं है। और अगर आपने डिक्टेशन आने से पहले साइन इन किया था, तो ट्रांसक्रिप्शन तब तक फ़ेल होता है जब तक आप /logout चलाकर फिर से साइन इन न करें।

SSH वाला मामला ज़्यादातर टूल से बेहतर संभाला गया है: अपनी मशीन पर agy mic-serve चलाएँ, ssh -R 24713:127.0.0.1:4713 <server> से एक रिवर्स टनल खोलें, और सर्वर पर CLI को ANTIGRAVITY_MIC=127.0.0.1:24713 agy से शुरू करें। तब आपका माइक रिमोट सत्र तक आवाज़ पहुँचाता है। बोलकर कोई जवाब नहीं मिलता।

oh-my-pi: दोनों, और डिक्टेशन आपकी मशीन पर ही रहता है

oh-my-pi (omp) यहाँ इकलौता CLI है जो दोनों करता है, और उसका डिक्टेशन कभी मशीन से बाहर नहीं जाता।

स्पीच-टू-टेक्स्ट डिफ़ॉल्ट रूप से बंद है। इसे सेटिंग्स (Speech ग्रुप) में चालू करें, फिर रिकॉर्ड करने के लिए Space दबाए रखें और ट्रांसक्राइब करने के लिए छोड़ दें। मॉडल डिवाइस पर चलता है: डिफ़ॉल्ट रूप से Parakeet TDT v3, और छोटी मशीनों के लिए विकल्प के तौर पर Whisper के अलग-अलग आकार। एक सेटिंग तय करती है कि डिक्टेशन कब भेजा जाए: कभी नहीं, कुंजी छोड़ने पर, कुंजी छोड़ने पर अगर वाक्य पूरा हो, या जब आप "submit" बोलें।

बातचीत /live है, या Ctrl+L। CLI इसे "Codex-backed realtime voice mode" कहता है, और आवाज़ सेटिंग्स (Live Voice) में चुनी जाती है। इसके अलावा, omp say किसी भी टेक्स्ट को Kokoro-82M से पढ़कर सुनाता है, जो एक स्पीच मॉडल है और वह भी स्थानीय रूप से चलता है।

Paseo और T3 Code: वॉइस एक ऐप में, CLI में नहीं

उन्हीं खोजों में दो ऐप भी सामने आते हैं।

Paseo एक डेमन चलाता है जो आपके कोडिंग एजेंट संभालता है, डेस्कटॉप, मोबाइल, वेब और CLI क्लाइंट के साथ। यह डिक्टेशन और वॉइस मोड बातचीत दोनों करता है। स्पीच आपकी मशीन पर चल सकती है (स्पीच-टू-टेक्स्ट के लिए Parakeet, टेक्स्ट-टू-स्पीच के लिए Kokoro, CPU पर ONNX मॉडल) या OpenAI के ज़रिए, और वॉइस मोड खुद Claude, Codex या OpenCode पर एक छिपा हुआ एजेंट सत्र है। डिफ़ॉल्ट स्थानीय स्पीच मॉडल सिर्फ़ अंग्रेज़ी समझता है; एक दूसरा Parakeet मॉडल 25 यूरोपीय भाषाएँ कवर करता है। Paseo के बाकी हिस्से की तुलना हमने AgentsRoom से Paseo विकल्प पेज पर की है।

T3 Code के iOS ऐप में वॉइस इनपुट है: ट्रांसक्रिप्शन फ़ोन पर चलता है और ड्राफ़्ट भरता है, यह अपने आप कभी कुछ नहीं भेजता। बोलकर कोई जवाब नहीं।

क्या वॉइस मोड ज़्यादा टोकन खर्च करता है?

"क्या यह मौजूद है" के ठीक बाद यही सवाल आता है, और हर टूल के लिए इसका जवाब अलग है।

• Claude Code डिक्टेशन: नहीं। Anthropic के दस्तावेज़ कहते हैं कि ट्रांसक्रिप्शन न Claude संदेश खर्च करता है न टोकन, और /usage में दिखने वाली सीमाओं में नहीं गिना जाता। आप जो बोलकर लिखवाते हैं वह एक सामान्य प्रॉम्प्ट बन जाता है और उसकी लागत उतनी ही है जितनी उसी टाइप किए गए प्रॉम्प्ट की।
• Claude ऐप में वॉइस मोड: Anthropic के हेल्प पेज के अनुसार, यह टेक्स्ट की तरह ही आपकी सामान्य उपयोग सीमाओं में गिना जाता है।
• Codex CLI /voice: जब तक बातचीत खुली है, Codex थ्रेड के साथ-साथ एक रियल-टाइम वॉइस मॉडल चलता है। OpenAI के पेज यह नहीं बताते कि वॉइस बातचीत Codex की सीमाओं में कैसे गिनी जाती है। हमें कोई आंकड़ा नहीं मिला, इसलिए हम कोई आंकड़ा नहीं देते।
• Antigravity CLI: सिर्फ़ डिक्टेशन, और दस्तावेज़ यह नहीं बताते कि इसे कैसे गिना जाता है।
• oh-my-pi: डिवाइस पर होने वाला डिक्टेशन कोई टोकन खर्च नहीं करता और कुछ नहीं भेजता। /live Codex की रियल-टाइम वॉइस से होकर जाता है।

इसके नीचे का नियम हर जगह एक ही है: काम करने वाला मॉडल टेक्स्ट पढ़ता है। बोले गए टर्न का बिल टाइप किए गए टर्न की तरह ही बनता है। आपका बिल जो बदलता है वह है टर्न की संख्या और सत्र की गहराई, और वॉइस से ज़्यादा टर्न बनते हैं, छोटे वाले। यही बात हमने फ़ोन के बारे में क्या Claude Code का Remote Control ज़्यादा टोकन खर्च करता है में कही थी।

इनके साथ AgentsRoom क्या करता है

AgentsRoom में Voice Mode दूसरा रास्ता अपनाता है: एक बोली गई बातचीत जो इस पर निर्भर नहीं करती कि आप कौन सा CLI चलाते हैं।

यह टर्मिनल पर काम करता है, CLI पर नहीं। आप इसे ऐसे एजेंट पर खोलते हैं जो पहले से चल रहा है। आपकी बारी ट्रांसक्राइब होकर उस एजेंट के टर्मिनल में आपके संदेश के रूप में भेजी जाती है, एजेंट अपने सत्र में काम करता है, और उसका जवाब आपकी चुनी हुई आवाज़ में पढ़कर सुनाया जाता है। हैंड्स-फ्री हर जवाब के बाद माइक फिर से खोल देता है। भाषा अपने आप पहचानी जाती है। यह Claude Code, Codex, GitHub Copilot CLI, Cursor और उन 10 अन्य एजेंट CLI के लिए एक जैसा है जिन्हें AgentsRoom चलाता है, macOS, Windows और Linux पर डेस्कटॉप ऐप में।

टोकन का अतिरिक्त खर्च छोटा है और आप उसे देख सकते हैं: पहले बोले गए संदेश पर एजेंट को एक छोटा शुरुआती निर्देश मिलता है जो दो से पाँच वाक्यों के बोले गए जवाब के लिए कहती है, बिना markdown के और बिना फ़ाइल पाथ बोलकर पढ़े, फिर हर पाँच संदेशों पर एक रिमाइंडर। स्पीच खुद हमारे बैकएंड पर चलती है और डिक्टेशन के साथ साझा वॉइस क्रेडिट में गिनी जाती है, या आपकी अपनी OpenAI API key पर।

सिर्फ़ डिक्टेशन के लिए कंपोज़र में एक माइक बटन है, जिसका ब्योरा वॉइस डिक्टेशन पेज पर है। किसी CLI में बिल्ट-इन वॉइस उसके टर्मिनल में आपके इस्तेमाल के लिए बनी रहती है: दोनों एक-दूसरे को बाहर नहीं करते।

अपनी मशीन पर कैसे जाँचें

वर्शन तेज़ी से बदलते हैं, और यह पेज पुराना होगा। टेबल की हर लाइन को एक मिनट में ऐसे जाँचें:

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

अगर Claude Code में /voice "Unknown command" जवाब देता है, तो आप API key या क्लाउड प्रोवाइडर से साइन इन हैं, claude.ai खाते से नहीं। अगर Codex की लिस्ट में realtime_conversation नहीं है, तो आपका CLI उस वर्शन से पुराना है जिसे हमने जाँचा।

अक्सर पूछे जाने वाले सवाल

क्या Codex CLI में वॉइस मोड है?

हाँ। codex-cli 0.162.1 में /voice कमांड मौजूदा थ्रेड पर बोलकर बातचीत शुरू करता है: आप बोलते हैं, Codex आवाज़ में जवाब देता है, और दोनों तरफ़ की बातें टर्मिनल में लिखी हुई दिखती हैं। /voice settings से आवाज़ चुनी जाती है। इसके लिए पहले से शुरू हुई बातचीत चाहिए, यह साइड बातचीत में काम नहीं करता, और macOS, Windows और Linux के उन बिल्ड पर चलता है जो इसे सपोर्ट करते हैं। OpenAI का अपना वॉइस पेज ChatGPT डेस्कटॉप ऐप में और iOS पर Codex में ChatGPT Voice का दस्तावेज़ देता है, CLI कमांड का नहीं, इसलिए हमने खुद CLI में जाँचा।

क्या Claude Code में वॉइस मोड है?

Claude Code में वॉइस डिक्टेशन है, बोलकर बातचीत नहीं। /voice चलाएँ, फिर बोलते समय Space दबाए रखें (या /voice tap इस्तेमाल करें) और ट्रांसक्रिप्ट प्रॉम्प्ट में आ जाता है। Claude अब भी टेक्स्ट में जवाब देता है। इसके लिए claude.ai लॉगिन और स्थानीय माइक चाहिए, इसलिए यह API key के साथ, SSH सत्रों में या क्लाउड सत्रों में काम नहीं करता। Anthropic कहता है कि Claude ऐप का वॉइस मोड Claude Code में उपलब्ध नहीं है।

क्या OpenCode में वॉइस मोड है?

बिल्ट-इन नहीं। OpenCode 1.19.0 में न कोई वॉइस कमांड है, न डिक्टेशन। कम्युनिटी का एक प्लगइन, opencode-voice, Ctrl+X V से प्रॉम्प्ट में डिक्टेशन जोड़ता है, लेकिन यह प्री-रिलीज़ सॉफ़्टवेयर है और सिर्फ़ Linux x64 पर चलता है। वरना आप अपने ऑपरेटिंग सिस्टम का डिक्टेशन इस्तेमाल करते हैं।

क्या Antigravity CLI में वॉइस मोड है?

इसमें डिक्टेशन है। /voice, उसका उपनाम /record, या F5 कुंजी आपकी बोली को प्रॉम्प्ट बॉक्स में टेक्स्ट में बदल देती है, बिना भेजे। इसके लिए इंटरैक्टिव सत्र चाहिए, --print मोड में यह बंद रहता है, और बिज़नेस या एंटरप्राइज़ खातों के लिए उपलब्ध नहीं है। SSH पर, agy mic-serve आपकी अपनी मशीन का माइक सर्वर तक पहुँचाता है। बोलकर कोई जवाब नहीं मिलता।

क्या Claude का वॉइस मोड ज़्यादा टोकन खर्च करता है?

यह इस पर निर्भर है कि आप किस वॉइस की बात कर रहे हैं। Anthropic के दस्तावेज़ के अनुसार, Claude Code का डिक्टेशन न Claude संदेश खर्च करता है न टोकन, और /usage की सीमाओं में नहीं गिना जाता: आप जो बोलकर लिखवाते हैं वह एक सामान्य प्रॉम्प्ट बन जाता है। Claude ऐप का वॉइस मोड टेक्स्ट की तरह ही आपकी सामान्य उपयोग सीमाओं में गिना जाता है। दोनों हाल में मॉडल को टेक्स्ट दिखता है, इसलिए बोले गए टर्न की लागत उतनी ही है जितनी उसी टाइप किए गए टर्न की, और असली फ़र्क टर्न की संख्या और गहराई से पड़ता है।

वॉइस डिक्टेशन और वॉइस मोड में क्या फ़र्क है?

डिक्टेशन एकतरफा है: आप बोलते हैं, शब्द प्रॉम्प्ट में आ जाते हैं, और आप जवाब स्क्रीन पर पढ़ते हैं। वॉइस मोड दोतरफा है: आप बोलते हैं, और जवाब आपको बोलकर सुनाया जाता है। Claude Code और Antigravity CLI डिक्टेशन करते हैं। Codex CLI और oh-my-pi दोनों करते हैं। OpenCode बिना प्लगइन के दोनों में से कुछ नहीं करता।