Tryb głosowy w Codex, OpenCode, Antigravity i Claude Code: które CLI go ma?

Ludzie wpisują w Google „codex voice mode”, „opencode voice mode” i „antigravity voice mode”, a odpowiedzi, które znajdują, mieszają pod tą samą nazwą dwie różne rzeczy. Dlatego 13 października 2026 otworzyliśmy każde CLI zainstalowane na naszej maszynie do buildów, przeczytaliśmy jego własną listę poleceń i porównaliśmy ją z dokumentacją producenta z tego samego dnia.

Najpierw dwa pojęcia, bo od nich zależy cała odpowiedź.

Dyktowanie działa w jedną stronę. Mówisz, słowa trafiają do promptu, naciskasz Enter i czytasz odpowiedź na ekranie.

Tryb głosowy działa w obie strony. Mówisz, agent wykonuje pracę, a odpowiedź jest ci odczytywana na głos. Możesz nie patrzeć na terminal.

Krótka odpowiedź

Reszta tej strony to szczegóły każdego wiersza, a potem pytanie, które pojawia się zaraz potem: czy mówienie do agenta kosztuje więcej tokenów niż pisanie do niego.

Claude Code: dyktowanie, a nie rozmowa

Claude Code ma dyktowanie głosowe (od wersji 2.1.69). Włączasz je raz poleceniem /voice i zostaje włączone między sesjami:

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

Przytrzymaj klawisz Space, kiedy mówisz, i puść go, żeby zakończyć. Twoje słowa pojawiają się w prompcie w trakcie mówienia, wyszarzone, dopóki transkrypcja nie jest ostateczna, a w jednej wiadomości możesz łączyć pisanie i dyktowanie. Jeśli wolisz nie przytrzymywać klawisza, /voice tap zaczyna nagrywanie po pierwszym naciśnięciu i wysyła prompt po drugim, o ile transkrypcja ma co najmniej trzy słowa. Klawisz to przypisanie voice:pushToTalk i możesz go przenieść na kombinację z klawiszem modyfikującym, na przykład meta+k, w ~/.claude/keybindings.json.

Ograniczenia są opisane w dokumentacji dyktowania głosowego. Dźwięk jest przesyłany strumieniowo do serwerów Anthropic do transkrypcji, a nie przetwarzany lokalnie. Wymaga logowania przez claude.ai: z kluczem API Anthropic, Bedrock albo innym dostawcą chmury /voice jest nieznanym poleceniem. Wymaga lokalnego mikrofonu, więc nie działa w sesjach SSH ani w sesjach w chmurze. Język dyktowania wynika z ustawienia language, obsługiwanych jest 20 języków, a domyślnie używany jest angielski.

Jednego nie robi: nie mówi. Claude odpowiada tekstem, jak zawsze. Aplikacja Claude ma prawdziwy tryb głosowy, w wersji beta na urządzeniach mobilnych, na komputerze i w przeglądarce, ale strona pomocy o trybie głosowym Anthropic mówi to wprost: w Claude Cowork i Claude Code dostępne jest dyktowanie, ale nie tryb głosowy.

Codex CLI: prawdziwa rozmowa głosowa z /voice

Tego szuka większość ludzi i o tym dokumentacja mówi najmniej jasno.

Strona OpenAI o głosie w Codex opisuje ChatGPT Voice, napędzany przez GPT-Live: rozmowę głosową, którą otwierasz przy zadaniu Codex w aplikacji desktopowej ChatGPT albo przez Codex na iOS, gdy telefon jest sparowany z komputerem pełniącym rolę hosta. Wymienia plany Plus, Pro, Business, Edu i Enterprise, jedną aktywną rozmowę głosową naraz i osobne dyktowanie, które tylko zamienia mowę na tekst promptu. Nie wspomina o CLI.

CLI ma własny tryb głosowy. W codex-cli 0.162.1 lista poleceń z ukośnikiem (w repozytorium open source i w zainstalowanym pliku binarnym) zawiera /voice, opisane jako „start or stop voice; use /voice settings to choose a voice”. Możesz sprawdzić, czy ta funkcja jest włączona w twojej instalacji:

codex features list | grep realtime
# realtime_conversation   stable   true

W sesji /voice rozpoczyna rozmowę w czasie rzeczywistym w bieżącym wątku. Ty mówisz, Codex odpowiada na głos, a napisy obu stron przewijają się w terminalu. Mapa klawiszy ma akcję do rozpoczynania i kończenia rozmowy oraz drugą do wyciszania mikrofonu, obie można przypisać na nowo. CLI odmawia w trzech przypadkach, z osobnym komunikatem dla każdego: przed pierwszą wiadomością rozmowy („Start a conversation before using voice mode”), w rozmowie pobocznej i w buildzie bez stosu audio („Voice requires macOS, an MSVC-based Windows build, or a glibc-based Linux build”).

W czasie tej rozmowy pracują dwa modele: model głosowy czasu rzeczywistego, który rozmawia z tobą, i wątek Codex, który wykonuje pracę. Część głosowa przekazuje twoje prośby do wątku, co kod źródłowy nazywa handoffem, i wypowiada to, co z niego wychodzi. Zapamiętaj to na potrzeby sekcji o tokenach poniżej.

OpenCode: nic wbudowanego

OpenCode 1.19.0 nie ma polecenia głosowego ani dyktowania. Jedyne ciągi „speech” w jego pliku binarnym to opisy modeli mowy w jego katalogu dostawców, które możesz wywołać z własnego kodu, a nie sposób na rozmowę z OpenCode.

Lukę wypełnia społeczność. opencode-voice to wtyczka, która dyktuje do promptu OpenCode: Ctrl+X V zaczyna nagrywanie, Enter je kończy i wstawia transkrypcję, a do transkrypcji wybierasz lokalny Whisper, OpenAI, ElevenLabs albo aplikację Handy. Jej README uczciwie opisuje jej stan: wersja przedpremierowa, tylko Linux x64, eksperymentalne przechwytywanie mikrofonu. Nie odczytuje odpowiedzi na głos.

Na macOS albo Windows dyktowanie wbudowane w system operacyjny działa w każdym terminalu, także w OpenCode.

Antigravity CLI: dyktowanie z /voice

Antigravity CLI ma dyktowanie, opisane na jego stronie /voice. Uruchamia je /voice, jego alias /record albo klawisz F5. Tekst trafia do pola promptu i nie zostaje wysłany, dopóki sam go nie wyślesz.

Trzy ograniczenia. Wymaga sesji interaktywnej i jest wyłączone w trybie --print. Nie jest dostępne dla kont business ani enterprise. A jeśli zalogowałeś się, zanim dyktowanie zostało wydane, transkrypcja nie działa, dopóki nie uruchomisz /logout i nie zalogujesz się ponownie.

Przypadek SSH jest rozwiązany lepiej niż u większości: uruchom agy mic-serve na swoim komputerze, otwórz odwrócony tunel poleceniem ssh -R 24713:127.0.0.1:4713 <server> i uruchom CLI na serwerze poleceniem ANTIGRAVITY_MIC=127.0.0.1:24713 agy. Twój mikrofon zasila wtedy zdalną sesję. Nie ma odpowiedzi głosowej.

oh-my-pi: jedno i drugie, a dyktowanie zostaje na twoim komputerze

oh-my-pi (omp) to jedyne CLI w tym zestawieniu, które robi jedno i drugie, a jego dyktowanie nigdy nie opuszcza komputera.

Zamiana mowy na tekst jest domyślnie wyłączona. Włącz ją w ustawieniach (grupa Speech), potem przytrzymaj klawisz Space, żeby nagrywać, i puść go, żeby wykonać transkrypcję. Model działa na urządzeniu: domyślnie Parakeet TDT v3, z rozmiarami Whisper jako alternatywą dla słabszych komputerów. Jedno ustawienie decyduje, kiedy dyktowanie zostaje wysłane: nigdy, po puszczeniu klawisza, po puszczeniu klawisza z pełnym zdaniem albo kiedy powiesz „submit”.

Rozmowa to /live albo Ctrl+L. CLI opisuje ją jako „Codex-backed realtime voice mode”, a głos wybiera się w ustawieniach (Live Voice). Niezależnie od tego omp say odczytuje na głos dowolny tekst za pomocą Kokoro-82M, modelu syntezy mowy, który również działa lokalnie.

Paseo i T3 Code: głos w aplikacji, a nie w CLI

Przy tych samych wyszukiwaniach pojawiają się dwie aplikacje.

Paseo uruchamia demona, który zarządza twoimi agentami kodującymi, z klientami na komputer, telefon, przeglądarkę i CLI. Obsługuje dyktowanie i rozmowy w trybie głosowym. Przetwarzanie mowy może działać na twoim komputerze (Parakeet do zamiany mowy na tekst, Kokoro do syntezy mowy, modele ONNX na CPU) albo przez OpenAI, a sam tryb głosowy to ukryta sesja agenta na Claude, Codex albo OpenCode. Domyślny lokalny model mowy obsługuje tylko angielski; inny model Parakeet obejmuje 25 języków europejskich. Resztę Paseo porównaliśmy z AgentsRoom na stronie o alternatywie dla Paseo.

T3 Code ma wprowadzanie głosowe w swojej aplikacji na iOS: transkrypcja działa na telefonie i wypełnia wersję roboczą, nigdy niczego nie wysyła sama. Brak odpowiedzi głosowych.

Czy tryb głosowy zużywa więcej tokenów?

To pytanie pojawia się zaraz po „czy to w ogóle istnieje” i dla każdego narzędzia ma inną odpowiedź.

• Dyktowanie w Claude Code: nie. Dokumentacja Anthropic mówi, że transkrypcja nie zużywa wiadomości Claude ani tokenów i nie wlicza się do limitów pokazywanych przez /usage. To, co dyktujesz, staje się zwykłym promptem i kosztuje tyle, co ten sam wpisany prompt.
• Tryb głosowy w aplikacji Claude: według strony pomocy Anthropic wlicza się do twoich zwykłych limitów użycia, tak jak tekst.
• /voice w Codex CLI: model głosowy czasu rzeczywistego działa obok wątku Codex tak długo, jak trwa rozmowa. Strony OpenAI nie mówią, jak rozmowa głosowa jest liczona w limitach Codex. Nie znaleźliśmy żadnej liczby, więc żadnej nie podajemy.
• Antigravity CLI: tylko dyktowanie, a dokumentacja nie mówi, jak jest liczone.
• oh-my-pi: dyktowanie na urządzeniu nie kosztuje żadnych tokenów i niczego nie wysyła. /live przechodzi przez tryb głosowy czasu rzeczywistego Codex.

Zasada pod spodem jest wszędzie ta sama: model, który wykonuje pracę, czyta tekst. Wypowiedziana tura jest rozliczana jak wpisana. Twój rachunek zmienia liczba tur i głębokość sesji, a głos zwykle prowadzi do większej liczby krótszych tur. To samo zauważyliśmy w przypadku telefonów w artykule czy Remote Control w Claude Code zużywa więcej tokenów.

Co robi AgentsRoom obok nich

Voice Mode w AgentsRoom idzie inną drogą: jedna rozmowa głosowa, która nie zależy od tego, jakie CLI uruchamiasz.

Działa na terminalu, a nie na CLI. Otwierasz go na agencie, który już działa. Twoja tura jest transkrybowana i wysyłana do terminala tego agenta jako twoja wiadomość, agent pracuje we własnej sesji, a jego odpowiedź jest odczytywana na głos wybranym przez ciebie głosem. Tryb bez użycia rąk ponownie otwiera mikrofon po każdej odpowiedzi. Język jest wykrywany automatycznie. Działa tak samo dla Claude Code, Codex, GitHub Copilot CLI, Cursor i 10 innych CLI agentów, które uruchamia AgentsRoom, w aplikacji desktopowej na macOS, Windows i Linux.

Dodatkowy koszt w tokenach jest mały i widoczny: przy pierwszej wypowiedzianej wiadomości agent dostaje krótki wstęp z prośbą o odpowiedź głosową na dwa do pięciu zdań, bez markdownu i bez odczytywania ścieżek plików na głos, a potem przypomnienie co pięć wiadomości. Samo przetwarzanie mowy działa na naszym backendzie i jest rozliczane w kredytach głosowych wspólnych z dyktowaniem albo na twoim własnym kluczu API OpenAI.

Do samego dyktowania służy przycisk mikrofonu w composerze, opisany na stronie dyktowanie głosowe. Z głosu wbudowanego w CLI nadal możesz korzystać w jego terminalu: jedno nie wyklucza drugiego.

Jak sprawdzić to na swoim komputerze

Wersje zmieniają się szybko i ta strona się zestarzeje. Oto jak w minutę sprawdzić każdy wiersz tabeli:

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

Jeśli /voice w Claude Code odpowiada „Unknown command”, jesteś zalogowany kluczem API albo przez dostawcę chmury, a nie kontem claude.ai. Jeśli na liście Codex brakuje realtime_conversation, twoje CLI jest starsze niż to, które sprawdziliśmy.

Najczęściej zadawane pytania

Czy Codex CLI ma tryb głosowy?

Tak. W codex-cli 0.162.1 polecenie /voice rozpoczyna rozmowę głosową w bieżącym wątku: ty mówisz, Codex odpowiada na głos, a napisy obu stron pojawiają się w terminalu. /voice settings wybiera głos. Wymaga już rozpoczętej rozmowy, nie działa w rozmowach pobocznych i działa w tych buildach na macOS, Windows i Linux, które to obsługują. Strona OpenAI o głosie dokumentuje ChatGPT Voice w aplikacji desktopowej ChatGPT i w Codex na iOS, a nie polecenie CLI, więc sprawdziliśmy samo CLI.

Czy Claude Code ma tryb głosowy?

Claude Code ma dyktowanie głosowe, a nie rozmowę głosową. Uruchom /voice, potem przytrzymaj klawisz Space, kiedy mówisz (albo użyj /voice tap), a transkrypcja trafi do promptu. Claude nadal odpowiada tekstem. Wymaga logowania przez claude.ai i lokalnego mikrofonu, więc nie działa z kluczem API, w sesjach SSH ani w sesjach w chmurze. Anthropic podaje, że tryb głosowy aplikacji Claude nie jest dostępny w Claude Code.

Czy OpenCode ma tryb głosowy?

Nie ma wbudowanego. OpenCode 1.19.0 nie ma polecenia głosowego ani dyktowania. Wtyczka społeczności, opencode-voice, dodaje dyktowanie do promptu skrótem Ctrl+X V, ale to wersja przedpremierowa i działa tylko na Linux x64. Poza tym korzystasz z dyktowania wbudowanego w twój system operacyjny.

Czy Antigravity CLI ma tryb głosowy?

Ma dyktowanie. /voice, jego alias /record albo klawisz F5 zamieniają twoją mowę na tekst w polu promptu, bez wysyłania go. Wymaga sesji interaktywnej, jest wyłączone w trybie --print i nie jest dostępne dla kont business ani enterprise. Przez SSH agy mic-serve przekazuje na serwer mikrofon twojego własnego komputera. Nie ma odpowiedzi głosowej.

Czy tryb głosowy Claude zużywa więcej tokenów?

To zależy, o którą funkcję głosową ci chodzi. Dyktowanie w Claude Code, według dokumentacji Anthropic, nie zużywa wiadomości Claude ani tokenów i nie wlicza się do limitów w /usage: to, co dyktujesz, staje się zwykłym promptem. Tryb głosowy w aplikacji Claude wlicza się do twoich zwykłych limitów użycia, tak jak tekst. W obu przypadkach model widzi tekst, więc wypowiedziana tura kosztuje tyle, co ta sama wpisana tura, a o koszcie naprawdę decydują liczba tur i ich głębokość.

Czym różni się dyktowanie głosowe od trybu głosowego?

Dyktowanie działa w jedną stronę: mówisz, słowa trafiają do promptu, a odpowiedź czytasz na ekranie. Tryb głosowy działa w obie strony: mówisz, a odpowiedź jest ci odczytywana na głos. Claude Code i Antigravity CLI dyktują. Codex CLI i oh-my-pi robią jedno i drugie. OpenCode bez wtyczki nie robi ani jednego, ani drugiego.