โหมดเสียงใน Codex, OpenCode, Antigravity และ Claude Code: CLI ตัวไหนมีบ้าง

คนพิมพ์ "codex voice mode", "opencode voice mode" และ "antigravity voice mode" ลงใน Google และคำตอบที่พวกเขาเจอก็ปนสองเรื่องที่ต่างกันไว้ใต้ชื่อเดียวกัน เราจึงเปิด CLI แต่ละตัวที่ติดตั้งบนเครื่อง build ของเราเมื่อวันที่ 13 ตุลาคม 2026 อ่านรายการคำสั่งของมันเอง แล้วเทียบกับเอกสารของผู้พัฒนา ณ วันนั้น

นิยามสองคำก่อน เพราะคำตอบทั้งหมดขึ้นอยู่กับสองคำนี้

การพิมพ์ด้วยเสียง (dictation) เป็นทางเดียว คุณพูด คำพูดไปอยู่ในพรอมต์ คุณกด Enter แล้วอ่านคำตอบบนหน้าจอ

โหมดเสียง (voice mode) เป็นสองทาง คุณพูด เอเจนต์ทำงาน และคำตอบถูกพูดกลับมาให้คุณฟัง คุณละสายตาจากเทอร์มินัลได้

คำตอบสั้น ๆ

ส่วนที่เหลือของหน้านี้คือรายละเอียดของแต่ละแถว แล้วตามด้วยคำถามที่มักตามมาทันที: การพูดกับเอเจนต์ใช้โทเค็นมากกว่าการพิมพ์หรือเปล่า

Claude Code: การพิมพ์ด้วยเสียง ไม่ใช่การสนทนา

Claude Code มีการพิมพ์ด้วยเสียง (เวอร์ชัน 2.1.69 ขึ้นไป) คุณเปิดมันครั้งเดียวด้วย /voice และมันจะเปิดค้างไว้ข้ามเซสชัน:

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

กด Space ค้างไว้ขณะพูด แล้วปล่อยเพื่อหยุด คำพูดของคุณปรากฏในพรอมต์ระหว่างที่คุณพูด เป็นสีจางจนกว่าข้อความที่ถอดได้จะเป็นฉบับสุดท้าย และคุณผสมการพิมพ์กับการพูดในข้อความเดียวกันได้ ถ้าไม่อยากกดปุ่มค้าง /voice tap จะเริ่มอัดเสียงเมื่อแตะครั้งแรกและส่งพรอมต์เมื่อแตะครั้งที่สอง ตราบใดที่ข้อความที่ถอดได้มีอย่างน้อยสามคำ ปุ่มนี้คือการผูกปุ่ม voice:pushToTalk และคุณย้ายไปเป็นปุ่มผสมกับปุ่มปรับแต่ง เช่น meta+k ได้ใน ~/.claude/keybindings.json

ข้อจำกัดเขียนไว้ใน เอกสารการพิมพ์ด้วยเสียง เสียงถูกสตรีมไปยังเซิร์ฟเวอร์ของ Anthropic เพื่อถอดความ ไม่ได้ประมวลผลในเครื่อง ต้องล็อกอิน claude.ai: ถ้าใช้คีย์ API ของ Anthropic, Bedrock หรือผู้ให้บริการคลาวด์อื่น /voice จะเป็นคำสั่งที่ไม่รู้จัก ต้องมีไมโครโฟนในเครื่อง จึงใช้ไม่ได้ในเซสชัน SSH หรือในเซสชันบนคลาวด์ ภาษาที่ใช้พิมพ์ด้วยเสียงเป็นไปตามการตั้งค่า language รองรับ 20 ภาษา และใช้ภาษาอังกฤษเป็นค่าสำรอง

สิ่งที่มันไม่ทำคือพูด Claude ตอบเป็นข้อความเหมือนเคย แอป Claude มีโหมดเสียงจริง ๆ อยู่ในช่วงเบต้าบนมือถือ เดสก์ท็อป และเว็บ แต่ หน้าช่วยเหลือเรื่องโหมดเสียง ของ Anthropic บอกไว้ชัด: ใน Claude Cowork และ Claude Code มีการพิมพ์ด้วยเสียง แต่ไม่มีโหมดเสียง

Codex CLI: การสนทนาด้วยเสียงจริง ๆ ด้วย /voice

นี่คือตัวที่คนส่วนใหญ่ตามหา และเป็นตัวที่เอกสารอธิบายไว้ชัดน้อยที่สุด

หน้าเรื่องเสียงของ Codex ของ OpenAI อธิบาย ChatGPT Voice ซึ่งขับเคลื่อนด้วย GPT-Live: การสนทนาด้วยเสียงที่คุณเปิดบนงาน Codex ในแอปเดสก์ท็อป ChatGPT หรือผ่าน Codex บน iOS เมื่อจับคู่โทรศัพท์กับเครื่องโฮสต์เดสก์ท็อปแล้ว หน้านั้นระบุแพ็กเกจ Plus, Pro, Business, Edu และ Enterprise การสนทนาด้วยเสียงที่ใช้งานได้ครั้งละหนึ่งรายการ และการพิมพ์ด้วยเสียงแยกต่างหากที่แค่แปลงเสียงพูดเป็นข้อความพรอมต์ หน้านั้นไม่ได้พูดถึง CLI

CLI มีของตัวเอง ใน codex-cli 0.162.1 รายการคำสั่ง slash (ใน รีโพสิทอรีโอเพนซอร์ส และในไบนารีที่ติดตั้ง) มี /voice ซึ่งมีคำอธิบายว่า "start or stop voice; use /voice settings to choose a voice" คุณยืนยันได้ว่าฟีเจอร์นี้เปิดอยู่ในเครื่องของคุณ:

codex features list | grep realtime
# realtime_conversation   stable   true

ภายในเซสชัน /voice จะเริ่มการสนทนาแบบเรียลไทม์บนเธรดปัจจุบัน คุณพูด Codex ตอบออกเสียง และคำบรรยายของทั้งสองฝั่งเลื่อนขึ้นในเทอร์มินัล keymap มีแอ็กชันสำหรับเริ่มหรือหยุดการสนทนา และอีกแอ็กชันสำหรับปิดเสียงไมโครโฟนของคุณ ทั้งสองเปลี่ยนปุ่มได้ CLI จะปฏิเสธในสามกรณี พร้อมข้อความสำหรับแต่ละกรณี: ก่อนข้อความแรกของบทสนทนา ("Start a conversation before using voice mode") ภายในบทสนทนาข้างเคียง และบนบิลด์ที่ไม่มีสแต็กเสียง ("Voice requires macOS, an MSVC-based Windows build, or a glibc-based Linux build")

มีสองโมเดลทำงานระหว่างการสนทนานั้น: โมเดลเสียงแบบเรียลไทม์ที่คุยกับคุณ และเธรด Codex ที่ทำงานจริง ฝั่งเสียงส่งคำขอของคุณต่อไปยังเธรด ซึ่งซอร์สโค้ดเรียกว่า handoff แล้วพูดสิ่งที่ได้กลับมาให้คุณฟัง จำข้อนี้ไว้สำหรับส่วนเรื่องโทเค็นด้านล่าง

OpenCode: ไม่มีอะไรในตัว

OpenCode 1.19.0 ไม่มีคำสั่งเสียงและไม่มีการพิมพ์ด้วยเสียง สตริง "speech" เพียงอย่างเดียวในไบนารีของมันคือคำอธิบายของโมเดลเสียงในแคตตาล็อกผู้ให้บริการ ซึ่งคุณเรียกใช้จากโค้ดของคุณเองได้ ไม่ใช่วิธีพูดกับ OpenCode

ชุมชนเข้ามาเติมช่องว่าง opencode-voice เป็นปลั๊กอินที่พิมพ์ด้วยเสียงลงในพรอมต์ของ OpenCode: Ctrl+X V เริ่มอัดเสียง Enter หยุดและแทรกข้อความที่ถอดได้ และคุณเลือกได้ระหว่าง Whisper ในเครื่อง, OpenAI, ElevenLabs หรือแอป Handy สำหรับการถอดความ README ของมันบอกสถานะตรง ๆ: ซอฟต์แวร์รุ่นก่อนเปิดตัว, Linux x64 เท่านั้น, การรับเสียงจากไมโครโฟนยังอยู่ในขั้นทดลอง มันไม่พูดคำตอบออกมา

บน macOS หรือ Windows การพิมพ์ด้วยเสียงที่มากับระบบปฏิบัติการใช้ได้ในทุกเทอร์มินัล รวมถึง OpenCode

Antigravity CLI: การพิมพ์ด้วยเสียงด้วย /voice

Antigravity CLI มีการพิมพ์ด้วยเสียง ซึ่งมีเอกสารอยู่ใน หน้า /voice /voice, ชื่อแทน /record หรือปุ่ม F5 จะเริ่มมัน ข้อความไปอยู่ในช่องพรอมต์และจะไม่ถูกส่งจนกว่าคุณจะส่งเอง

ข้อจำกัดสามข้อ ต้องใช้เซสชันแบบโต้ตอบ และถูกปิดในโหมด --print ไม่มีให้สำหรับบัญชี business หรือ enterprise และถ้าคุณล็อกอินก่อนที่การพิมพ์ด้วยเสียงจะเปิดตัว การถอดความจะล้มเหลวจนกว่าคุณจะรัน /logout แล้วล็อกอินใหม่

กรณี SSH จัดการได้ดีกว่าตัวส่วนใหญ่: รัน agy mic-serve บนเครื่องของคุณเอง เปิด reverse tunnel ด้วย ssh -R 24713:127.0.0.1:4713 <server> แล้วเริ่ม CLI บนเซิร์ฟเวอร์ด้วย ANTIGRAVITY_MIC=127.0.0.1:24713 agy จากนั้นไมโครโฟนของคุณจะป้อนเสียงให้เซสชันระยะไกล ไม่มีการตอบกลับด้วยเสียง

oh-my-pi: ทำได้ทั้งสองอย่าง และการพิมพ์ด้วยเสียงอยู่บนเครื่องของคุณ

oh-my-pi (omp) เป็น CLI ตัวเดียวในที่นี้ที่ทำได้ทั้งสองอย่าง และการพิมพ์ด้วยเสียงของมันไม่เคยออกจากเครื่อง

การแปลงเสียงพูดเป็นข้อความปิดอยู่โดยค่าเริ่มต้น เปิดได้ในการตั้งค่า (กลุ่ม Speech) จากนั้นกด Space ค้างไว้เพื่ออัดเสียงและปล่อยเพื่อถอดความ โมเดลรันบนเครื่อง: ค่าเริ่มต้นคือ Parakeet TDT v3 และมี Whisper ขนาดต่าง ๆ เป็นทางเลือกสำหรับเครื่องที่สเปกต่ำกว่า มีการตั้งค่าที่กำหนดว่าจะส่งข้อความที่พิมพ์ด้วยเสียงเมื่อไร: ไม่ส่งเลย เมื่อปล่อยปุ่ม เมื่อปล่อยปุ่มและได้ประโยคครบ หรือเมื่อคุณพูดว่า "submit"

การสนทนาคือ /live หรือ Ctrl+L CLI อธิบายมันว่า "Codex-backed realtime voice mode" และเลือกเสียงได้ในการตั้งค่า (Live Voice) แยกจากนั้น omp say อ่านข้อความใด ๆ ออกเสียงด้วย Kokoro-82M ซึ่งเป็นโมเดลเสียงที่รันในเครื่องเช่นกัน

Paseo และ T3 Code: เสียงในแอป ไม่ใช่ใน CLI

มีสองแอปที่โผล่มาในการค้นหาแบบเดียวกัน

Paseo รันดีมอนที่จัดการเอเจนต์เขียนโค้ดของคุณ พร้อมไคลเอนต์เดสก์ท็อป มือถือ เว็บ และ CLI มันทำได้ทั้งการพิมพ์ด้วยเสียงและการสนทนาในโหมดเสียง เสียงพูดประมวลผลบนเครื่องของคุณได้ (Parakeet สำหรับแปลงเสียงเป็นข้อความ, Kokoro สำหรับแปลงข้อความเป็นเสียง, โมเดล ONNX บน CPU) หรือผ่าน OpenAI และตัวโหมดเสียงเองคือเซสชันเอเจนต์ที่ซ่อนอยู่บน Claude, Codex หรือ OpenCode โมเดลเสียงในเครื่องที่เป็นค่าเริ่มต้นรองรับแค่ภาษาอังกฤษ ส่วนโมเดล Parakeet อีกตัวรองรับ 25 ภาษาในยุโรป เราเปรียบเทียบส่วนอื่น ๆ ของ Paseo กับ AgentsRoom ไว้ใน หน้าทางเลือกแทน Paseo

T3 Code มีการป้อนข้อมูลด้วยเสียงในแอป iOS: การถอดความรันบนโทรศัพท์และเติมลงในร่างข้อความ มันไม่ส่งอะไรออกไปเอง ไม่มีการตอบกลับด้วยเสียง

โหมดเสียงใช้โทเค็นมากขึ้นไหม

นี่คือคำถามที่ตามมาติด ๆ หลัง "มันมีไหม" และคำตอบต่างกันไปในแต่ละเครื่องมือ

• การพิมพ์ด้วยเสียงของ Claude Code: ไม่ เอกสารของ Anthropic บอกว่าการถอดความไม่ใช้ข้อความหรือโทเค็นของ Claude และไม่นับรวมในขีดจำกัดที่แสดงใน /usage สิ่งที่คุณพูดจะกลายเป็นพรอมต์ธรรมดา และมีต้นทุนเท่ากับพรอมต์เดียวกันที่พิมพ์
• โหมดเสียงในแอป Claude: นับรวมในขีดจำกัดการใช้งานปกติของคุณ เหมือนข้อความ ตามหน้าช่วยเหลือของ Anthropic
• /voice ของ Codex CLI: โมเดลเสียงแบบเรียลไทม์รันคู่กับเธรด Codex ตลอดเวลาที่บทสนทนาเปิดอยู่ หน้าเอกสารของ OpenAI ไม่ได้บอกว่าการสนทนาด้วยเสียงถูกนับอย่างไรในขีดจำกัดของ Codex เราไม่พบตัวเลข จึงไม่ให้ตัวเลข
• Antigravity CLI: มีแค่การพิมพ์ด้วยเสียง และเอกสารไม่ได้บอกว่าถูกนับอย่างไร
• oh-my-pi: การพิมพ์ด้วยเสียงบนเครื่องไม่ใช้โทเค็นและไม่ส่งอะไรออกไป /live ทำงานผ่านเสียงเรียลไทม์ของ Codex

กฎพื้นฐานเหมือนกันทุกที่: โมเดลที่ทำงานอ่านข้อความ เทิร์นที่พูดถูกคิดค่าใช้จ่ายเหมือนเทิร์นที่พิมพ์ สิ่งที่เปลี่ยนบิลของคุณคือจำนวนเทิร์นและความลึกของเซสชัน และเสียงมักทำให้เกิดเทิร์นมากขึ้นและสั้นลง เราเคยพูดประเด็นเดียวกันเรื่องโทรศัพท์ไว้ใน Remote Control ของ Claude Code ใช้โทเค็นมากขึ้นไหม

AgentsRoom ทำอะไรควบคู่กับเครื่องมือเหล่านี้

Voice Mode ใน AgentsRoom เลือกอีกเส้นทางหนึ่ง: การสนทนาด้วยเสียงแบบเดียวที่ไม่ขึ้นกับว่าคุณรัน CLI ตัวไหน

มันทำงานกับเทอร์มินัล ไม่ใช่กับ CLI คุณเปิดมันบนเอเจนต์ที่กำลังรันอยู่แล้ว เทิร์นของคุณถูกถอดความและส่งเข้าไปในเทอร์มินัลของเอเจนต์นั้นเป็นข้อความของคุณ เอเจนต์ทำงานในเซสชันของมันเอง และคำตอบของมันถูกอ่านออกเสียงด้วยเสียงที่คุณเลือก โหมดไม่ต้องใช้มือจะเปิดไมโครโฟนอีกครั้งหลังแต่ละคำตอบ ระบบตรวจจับภาษาให้เอง ใช้ได้เหมือนกันกับ Claude Code, Codex, GitHub Copilot CLI, Cursor และ CLI ของเอเจนต์อีก 10 ตัว ที่ AgentsRoom รัน ในแอปเดสก์ท็อปบน macOS, Windows และ Linux

โทเค็นส่วนเกินมีน้อยและคุณมองเห็นได้: ในข้อความเสียงแรก เอเจนต์จะได้รับคำนำสั้น ๆ ที่ขอให้ตอบด้วยเสียงสองถึงห้าประโยค ไม่มี markdown และไม่อ่านพาธไฟล์ออกเสียง จากนั้นมีการเตือนซ้ำทุกห้าข้อความ การประมวลผลเสียงพูดรันบนแบ็กเอนด์ของเรา และนับเป็นเครดิตเสียงที่ใช้ร่วมกับการพิมพ์ด้วยเสียง หรือใช้คีย์ API ของ OpenAI ของคุณเอง

สำหรับการพิมพ์ด้วยเสียงอย่างเดียว มีปุ่มไมโครโฟนในคอมโพเซอร์ ซึ่งอธิบายไว้ในหน้า การพิมพ์ด้วยเสียง เสียงที่มาในตัว CLI ยังใช้ได้ในเทอร์มินัลของมันตามปกติ: ทั้งสองอย่างไม่ได้กีดกันกัน

วิธีตรวจสอบบนเครื่องของคุณเอง

เวอร์ชันเปลี่ยนเร็ว และหน้านี้จะเก่าลง นี่คือวิธีตรวจสอบแต่ละแถวของตารางในหนึ่งนาที:

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

ถ้า /voice ตอบว่า "Unknown command" ใน Claude Code แปลว่าคุณล็อกอินด้วยคีย์ API หรือผู้ให้บริการคลาวด์ ไม่ใช่บัญชี claude.ai ถ้าไม่มี realtime_conversation ในรายการของ Codex แปลว่า CLI ของคุณเก่ากว่าตัวที่เราตรวจสอบ

คำถามที่พบบ่อย

Codex CLI มีโหมดเสียงไหม

มี ใน codex-cli 0.162.1 คำสั่ง /voice เริ่มการสนทนาด้วยเสียงบนเธรดปัจจุบัน: คุณพูด Codex ตอบออกเสียง และคำบรรยายของทั้งสองฝั่งปรากฏในเทอร์มินัล /voice settings ใช้เลือกเสียง ต้องมีบทสนทนาที่เริ่มไว้แล้ว ใช้ไม่ได้ในบทสนทนาข้างเคียง และทำงานบนบิลด์ macOS, Windows และ Linux ที่รองรับ หน้าเรื่องเสียงของ OpenAI เองอธิบาย ChatGPT Voice ในแอปเดสก์ท็อป ChatGPT และใน Codex บน iOS ไม่ใช่คำสั่งของ CLI เราจึงตรวจสอบจากตัว CLI เอง

Claude Code มีโหมดเสียงไหม

Claude Code มีการพิมพ์ด้วยเสียง ไม่ใช่การสนทนาด้วยเสียง รัน /voice แล้วกด Space ค้างไว้ขณะพูด (หรือใช้ /voice tap) แล้วข้อความที่ถอดได้จะไปอยู่ในพรอมต์ Claude ยังคงตอบเป็นข้อความ ต้องล็อกอิน claude.ai และมีไมโครโฟนในเครื่อง จึงใช้ไม่ได้กับคีย์ API ในเซสชัน SSH หรือในเซสชันบนคลาวด์ Anthropic ระบุว่าโหมดเสียงของแอป Claude ไม่มีใน Claude Code

OpenCode มีโหมดเสียงไหม

ไม่มีในตัว OpenCode 1.19.0 ไม่มีคำสั่งเสียงและไม่มีการพิมพ์ด้วยเสียง ปลั๊กอินจากชุมชนชื่อ opencode-voice เพิ่มการพิมพ์ด้วยเสียงลงในพรอมต์ด้วย Ctrl+X V แต่เป็นซอฟต์แวร์รุ่นก่อนเปิดตัว และรันได้บน Linux x64 เท่านั้น นอกนั้นคุณใช้การพิมพ์ด้วยเสียงของระบบปฏิบัติการ

Antigravity CLI มีโหมดเสียงไหม

มีการพิมพ์ด้วยเสียง /voice หรือชื่อแทน /record หรือปุ่ม F5 จะแปลงเสียงพูดของคุณเป็นข้อความในช่องพรอมต์โดยไม่ส่งออกไป ต้องใช้เซสชันแบบโต้ตอบ ถูกปิดในโหมด --print และไม่มีให้สำหรับบัญชี business หรือ enterprise ผ่าน SSH คำสั่ง agy mic-serve จะส่งต่อไมโครโฟนของเครื่องคุณเองไปยังเซิร์ฟเวอร์ ไม่มีการตอบกลับด้วยเสียง

โหมดเสียงของ Claude ใช้โทเค็นมากขึ้นไหม

ขึ้นอยู่กับว่าคุณหมายถึงเสียงแบบไหน การพิมพ์ด้วยเสียงของ Claude Code ไม่ใช้ข้อความหรือโทเค็นของ Claude และไม่นับรวมในขีดจำกัดของ /usage ตามเอกสารของ Anthropic: สิ่งที่คุณพูดจะกลายเป็นพรอมต์ธรรมดา โหมดเสียงในแอป Claude นับรวมในขีดจำกัดการใช้งานปกติของคุณ เหมือนข้อความ ทั้งสองกรณีโมเดลเห็นเป็นข้อความ ดังนั้นเทิร์นที่พูดมีต้นทุนเท่ากับเทิร์นเดียวกันที่พิมพ์ และตัวที่กำหนดค่าใช้จ่ายจริงคือจำนวนและความลึกของเทิร์น

การพิมพ์ด้วยเสียงต่างจากโหมดเสียงอย่างไร

การพิมพ์ด้วยเสียงเป็นทางเดียว: คุณพูด คำพูดไปอยู่ในพรอมต์ และคุณอ่านคำตอบบนหน้าจอ โหมดเสียงเป็นสองทาง: คุณพูด และคำตอบถูกพูดกลับมาให้คุณฟัง Claude Code และ Antigravity CLI ทำได้แค่พิมพ์ด้วยเสียง Codex CLI และ oh-my-pi ทำได้ทั้งสองอย่าง OpenCode ไม่ทำทั้งสองอย่างหากไม่มีปลั๊กอิน