别再手打 prompt。
口述就好。
语音听写就住在代理 composer 里。点麦克风,说出你的 prompt,语音转文字的结果就落进草稿的光标处。这是为你的 AI 编程代理准备的语音转文字,没有要单独伺候的听写 app,也不用在两个窗口之间复制粘贴。
手打一段又长又精确的 prompt 要花上几分钟,口述同一段只要几秒。给代理更多上下文,更少的澄清往返,更少被浪费的 token。价值已经从代码转移到了 prompt 上,而语音听写是写出一个好 prompt 最快的方式。
语音听写实战:点麦克风,说出 prompt,看实时声波动画,语音转文字的转写就落进 composer,随手编辑后即可发送。
语音听写回应的正是这样一个转变。与 AI 编程代理协作时,最难的已经不再是写代码,代码由代理来写。最难的是写 prompt:描述你想要什么、有哪些约束、边界情况、要改哪个文件、要避免哪些行为。一个精确的 prompt,决定了你是一次命中还是十次令人沮丧的往返。而精确的 prompt往往很长,所以手打很慢。
语音听写去掉了打字这道税。你点 composer 里的麦克风按钮,把本来要打的内容全说出来,往往比你愿意手打的还要多,语音转文字的转写就出现在草稿里。你能以每分钟 150 个词说话,却不能以每分钟 150 个词打字。口述就是更快,而更快的通道意味着你能为每个任务给代理更多上下文。
这不是外挂附件。麦克风是 AgentsRoom composer 的一部分,就在 prompt 库和草图工具旁边。转写会插入到你的光标处,所以你可以在同一份草稿里把手打和口述混着用。什么都不会自动发出去:文字落进草稿,你读一遍,改掉模型听错的那一个词,准备好了再按 Enter。这里的语音听写是写作的助手,不是自动驾驶。

麦克风按钮就在 composer 工具栏里。录音时,实时声波显示输入音量,然后转写好的 prompt 出现在草稿中。
为什么要口述 prompt 而不是手打
速度。你说话比打字快好几倍,也不会因为找按键而打断思路。一段两个段落、手打要三分钟的 prompt,口述只要三十秒。在为代理写 prompt 的一整天里,省下的时间会累积成实打实的好几个小时。
精确。因为口述几乎不费力,你会说得更多。你会描述本来会跳过的边界情况、本来不会点名的文件、想要避免的行为。更丰富的 prompt 就是更精确的 prompt,而这正是让 AI 编程代理第一次就把任务做对的关键。
token 经济。与代理的每一次澄清往返都要花 token:代理发问,你回答,它再重读上下文。一开始就给出精确的口述 prompt,能把这些往返压扁。更少的来回意味着达到同样结果花更少的 token,直接省下你的 AI 编程账单。
解放双手,移动可用。在桌面端,你可以在代理运行时腾出双手,把下一个 prompt 用语音口述出来。在手机上,语音听写是喂给代理最快的方式,不必和移动键盘较劲。把想法说出来,它就落进你桌面端的代理里。
语音听写怎么用
点麦克风、说话、检查、发送。四步搞定,无需单独 app,不用复制粘贴。
点 composer 里的麦克风
把光标放进代理 composer,点工具栏里的麦克风按钮。第一次时,macOS 会请求麦克风权限,AgentsRoom 把这个请求转交给系统,你只需授权一次。
说出你的 prompt
按钮切换为录音状态:一个带实时语音声波的脉动状态,实时显示你的输入音量,让你知道麦克风确实在采集声音。用你自己的语言,把你想让代理知道的都说出来。
停止,它就开始转写
再点一次停止。音频会被送去转写,在语音转文字运行时,按钮显示转写中的状态。你不用选模型:AgentsRoom 在普通长度的片段上用它准确的默认模型,录音超过九十秒就切换到抗循环的模型,因为在又长又吵的音频上,准确的那个会开始重复自己。
转写落到你的光标处
转写好的文字插入到草稿的光标位置,需要时会自动补一个分隔空格。光标位置会被还原,所以你可以继续打字或再口述一段。在同一个 prompt 里,手打和口述可以自由混合。
检查并编辑
现在什么都还没发出去。prompt 停在草稿里。读一遍,改掉模型偶尔听错的词,用键盘加一行,调整一下句序。代理究竟收到什么,完全由你掌控。
准备好就发送
按 Enter 把 prompt 发给代理,和手打的消息完全一样。在代理看来这只是文字,所以语音听写在 Claude、Codex、GitHub Copilot CLI、Cursor 以及另外 15 个代理 CLI 上的表现都一样。
prompt 更快,token 更少
为什么一开始就口述一个更好的 prompt,比手打一个单薄的再反复迭代更划算。
一个单薄的 prompt,贵在一种不显示在时钟上的地方。代理没有足够的依据,于是它猜,你纠正,它重读整个上下文,你再纠正。每一轮都是输入 token、输出 token 和缓存读取。为了澄清一个功能而来回三次,可能比这个功能本身还贵。
语音听写把这笔账翻了过来。因为说话很快,你会把上下文前置:约束、文件路径、要避免的行为、你心里那个例子。代理更接近一次就做对。你用三十秒的口述,换掉两三个被避免的澄清循环。
而且会复利累积。普通的一天就是几十个 prompt。如果语音听写在其中相当一部分上各省下一次往返,省下的 token 就会在一天、一个团队、一个月里不断叠加。最便宜的 token,是你压根不必花在重新解释自己上的那一个。
它也单纯就是更少摩擦。更少摩擦意味着你真的会去写那个更长、更好的 prompt,而不是因为觉得手打完整版太费劲而打出一句懒散的单行。语音听写让好 prompt 成为最省事的 prompt。
选择你口述的语言
桌面端的语音听写让你在设置里设定口述语言。转写模型不是一个设置项:它由你录音的长度决定。
模型是怎么定的(桌面端)
- 九十秒以内的短片段:准确的默认模型
- 更长的录音:抗循环的模型,在又长又吵的音频上不会重复自己
- 如果你打开了离线模式:跑在你自己机器上的本地模型,不联网也不花额度
口述语言
- 自动检测(默认,模型会识别语言)
- Čeština, Slovenčina, English, Français, Español, Deutsch, Italiano, Português, Nederlands
- Русский, Українська, 中文,日本語, 한국어
- العربية, हिन्दी, Bahasa Indonesia, Polski, Türkçe, ไทย, Tiếng Việt
自动检测是默认设置,适用于大多数情况。当短录音被错误检测时,可以强制指定语言,但只能强制你实际在说的语言。支持21种语言和自动检测,因此你可以用自己的语言口述,代理获得干净的文本。
语音听写在底层究竟做了什么
在桌面端,composer 用浏览器的 MediaRecorder API 录下你的声音,并把音频发送到 AgentsRoom 的转写后端。转写在服务端运行,所以繁重的语音转文字工作不依赖你的机器,转写结果以纯文本返回并插入到你的光标处。麦克风、录音和插入都属于你本来就在打字的同一个 composer。
在移动端,语音听写有意采用不同的方式。配套 app 使用本地语音识别,所以音频永远不会离开你的手机。识别出的文字随后通过 AgentsRoom 端到端加密连接被中继到桌面端,落进你在桌面端聚焦的那个代理的输入框。按住麦克风按钮,说话,松手,文字就出现在你的桌面代理里。
两端共享同一条规则:语音听写绝不自行发送。在桌面端,转写落进草稿供你检查。在移动端,文字被粘贴进聚焦的代理输入框,且不带回车,所以仍由你自己按 Enter。口述是写 prompt 的方式,不是盲发它的方式。
配置与 provider 无关。转写跑在语音转文字后端上,而不是你的代理 CLI 上。无论你的代理是 Claude、Codex、GitHub Copilot CLI、Cursor,还是 AgentsRoom 支持的另外 15 个代理 CLI,口述出的文字在 composer 里都只是文字,所以语音听写在 AgentsRoom 支持的每一个 provider 上表现完全一致。
语音听写在哪里可用
内置于桌面 composer 和移动配套应用中,支持21种语言。
桌面 composer
macOS、Windows 和 Linux 上代理 composer 里的一个麦克风按钮。服务端转写,模型由录音长度决定。录音时有实时语音声波,转写插入到光标处,可与手打自由混合。在设置里选你口述的语言。 也可以用键盘:Cmd/Ctrl+Shift+D 开始录音,Escape 停止,按住开始快捷键则变成按住说话。两个按键都可以在设置 > 键盘快捷键里修改。
移动配套 app
在 iOS 和 Android 配套 app 上,按住麦克风即可口述。语音识别在本地运行,音频留在手机上,识别出的文字以端到端加密中继到聚焦的桌面代理。这是从口袋里喂给代理最快的方式。
多语言
21种口语语言加上自动检测: Čeština, Slovenčina,英语,法语,西班牙语,德语,意大利语,葡萄牙语,荷兰语,俄语,乌克兰语,中文,日语,韩语,阿拉伯语,印地语,印度尼西亚语,波兰语,土耳其语,泰语和越南语。用你的母语口述,代理接收到干净的转写文本。
手打 prompt 对比口述 prompt
同一个代理,同一个任务。速度不同,上下文不同,token 账单也不同。
每个 prompt 都手打
- : 你打字的速度只是说话速度的一小部分,所以 prompt 总是很短。
- : 短 prompt 省略了上下文,于是代理靠猜,你再去纠正它。
- : 每一次纠正都是又一次往返,更多的输入和输出 token。
- : 单独的听写 app 或系统听写意味着要在窗口之间复制粘贴。
- : 在手机上,移动键盘让长 prompt 变得痛苦,于是你几乎不怎么写 prompt 了。
用语音听写来口述
- : 你几秒就说完整个 prompt,自然就说得更多。
- : 更多前置上下文意味着代理更接近一次就把任务做对。
- : 更少的澄清往返意味着达到同样结果花更少的 token。
- : 麦克风就在 composer 里,转写落进草稿,无需复制粘贴。
- : 在手机上,按住麦克风,文字就通过加密中继出现在你的桌面代理里。
语音听写是同时让每个 prompt 更长、更精确、写起来更快的最便宜方式。
一个口述出来的 prompt 听起来是什么样
这些你都不用手打。你把它说出来,语音转文字就把它变成下面这个 prompt,然后你按 Enter。试着手打一个这么详细的 prompt,感受一下要花多长时间。
对着麦克风说出来
给登录 endpoint 加一个限流器。
使用滑动窗口,每个 IP 每分钟五次尝试。
触达上限时返回 429,并带上 Retry-After header。
保持现有的成功路径不变。
加一个单元测试覆盖触达上限的情况,再加一个覆盖一分钟后重置的情况。
不要动注册 endpoint。FAQ
问我们其他问题AgentsRoom 里的语音听写是什么?
为什么要口述 prompt 而不是手打?
我可以用哪些转写模型?
这不就是 OpenAI Whisper 吗?
语音听写支持哪些语言?
我的声音会被发到服务器吗?
口述完之后 prompt 会自动发送吗?
我能在同一个 prompt 里混用手打和口述吗?
我能从手机口述给我机器上的代理吗?
语音听写能配合 Claude Code、Codex 和 Antigravity 用吗?
有没有开始和停止口述的键盘快捷键?
搭配使用更好
Scratchpad
在 composer 里点一下"展开"就能打开的更大的 prompt 编辑器。口述一段长简报,在那里打磨它,然后发给你的代理。
Prompt 库
把你口述的 prompt 存成可复用的模板。语音写出第一稿,prompt 库把好的留下来。
移动端与桌面端同步
把你口述的文字从手机送到你机器上聚焦代理的端到端加密链路。
远程代理控制
从手机驾驶你的桌面代理。离开键盘时,口述是给它们发 prompt 最快的方式。
多 provider
把 Claude、Codex、Antigravity、OpenCode、Aider、Grok Build、Mistral Vibe 和 Kimi Code 并排运行。语音听写在它们每一个上的表现都一样。
Sketch
在 composer 里画图和标注。把口述的 prompt 配上一张速写,同时给代理文字和图像。
对你的代理说话,别再手打 prompt
下载 AgentsRoom,把 prompt 直接口述进 composer。写起来更快,上下文更丰富,token 更省。把语音听写内置进你的 AI 编程 IDE,桌面端和移动端都能用。
配套应用:随时随地监控你的 Agent
使用 Claude、Codex、Antigravity CLI 或其他 AI 提供商。
把 Bug 和需求直接发送到您的公开待办清单。
