为什么我给编程智能体装上了嘴和耳朵？

一个编程智能体启动，读十二个文件，跑测试，改四个模块，然后甩给你一篇900词的长文，里面有表格、文件路径，还有对摘要的摘要。读到第三段，眼睛开始扫；读到第五段，人已经切到另一个标签页了。

这是智能体编程里一个没人愿意细说的问题：智能体变快了，人的注意力没变快。瓶颈不再是模型，而是盯着屏幕滚动的我。

于是我换了个做法：给智能体一副嗓子、一对耳朵。现在我把问题说出口，智能体去做事，回来只讲两句话——“测试通过，我改了两个文件里的重试逻辑。要看屏幕上的细节吗？”整套东西跑在自己的笔记本上，不花一分钱。它是在 Claude Code 里搭的，但没有一处是 Claude 专属的：任何能调用 MCP 工具的智能体都能装上同一套。

为什么是语音，为什么是现在

三个变化让我下了决心。

第一，智能体产出文字的速度已经超过人阅读的速度。一次任务生成的文本比一篇短博客还长，全读太累，略读又会漏掉关键的那一行。语音逼着智能体做总结——你没法把一张表格念出来，也没法把40行的代码差异念出来，它只能告诉你什么才真正重要，其余内容留在屏幕上。

第二，说话能让你留在流程里，又不必黏在屏幕前。语音模式下我可以往后靠、移开视线、想事情，智能体在轮次之间干活，用语音回报。这更像和一个坐在旁边的朋友结对，而不是盯着一份日志文件。

第三，本地语音终于免费了。一年前这还意味着云端语音接口、API 密钥和按分钟计费。今天，Whisper（语音转文字）和 Kokoro（文字转语音）这样的开放模型在笔记本上跑得很轻松，不用账号、不用密钥，音频不出本机。

思路：一层语音，接上任何智能体

关键在于语音不放在智能体内部，而是放在一个 MCP 服务器里——Claude Code 和越来越多编程智能体已经在说的标准插件协议。我用的服务器叫 VoiceMode，开源，MIT 许可。它对外只暴露一个主要工具 converse：说一句话，然后听，把用户说的话返回。任何能调用 MCP 工具的智能体，从此都能对话。

这正是重点：语音只建一次，插到你用的每个智能体上。下一个编程助手出现时，它也白得一副嗓子。

配置大约十分钟

我的机器是 16GB 内存的 Apple Silicon Mac，没什么特别的。先装 VoiceMode 和本地语音服务，再把地址固定到本机回环，避免它在发现密钥时回落到云端接口，然后用一行命令把它注册进 Claude Code，最后加一个 /talk 斜杠命令，提示词里写明开启语音循环、回复要短、我说“停”就停。打完 /talk，就能开口了。

换别的智能体也是同一套配方：跑起 Whisper 和 Kokoro 两个本地服务，把 VoiceMode 注册为该智能体的 MCP 服务器并指向 voicemode 可执行文件，在它要求时批准 converse 工具，再加一份可复用的提示词。MCP 配置放在哪，查各自智能体的文档——有的读一个全局文件，有的要求按智能体或按项目列出。

让它像对话，不像机器人

音频进进出出是简单部分，让它舒服需要调提示词。效果最大的几条规则：

• 一到两句话，约25个词。智能体主动提出“要不要多说点”，而不是一次讲完。这一条就治好了长文轰炸。
• 绝不朗读代码、路径和表格。念摘要，细节放屏幕。
• 保留实时字幕。每轮之前打印“ 你：……”和“ Friday：……”，屏幕和耳朵对得上，语音识别听错时很有用。
• 给一个人设。语音模式下我的智能体叫“Friday”，冷静、简洁、带点干。人设写进共享提示词，接上的每个智能体听起来都是同一个助手。
• 像人一点。回应别老用同一句，连着听十一次“好问题”足以毁掉气氛。

一条不能跳过的安全规则

语音识别会听错，尤其是名字、数字和术语。“删掉测试分支”和“删掉最好的分支”只差一个音节。所以规则很简单：只读类问题，智能体直接回答；任何会改动或发送东西的操作——写文件、删除、git 提交和推送——智能体先用一句话复述它理解到的内容，等一句口头的“是”。永远不要让语音命令未经确认就执行动作，这一条才让语音真正可靠。

语音会更费 token 吗

我也好奇，于是从自己的会话日志里量了一下。16 次语音交互中，每轮约 350 个输出 token（口头回复、屏幕字幕和推理），未缓存输入 token 总共约 800 个，每次调用约 11 万缓存 token 只是对话上下文被重读，打字时完全一样。结论是：一次语音轮次和一次打字轮次成本相当。语音转文字和文字转语音在本地跑，免费；多出来的只有那行字幕，每轮大概 50 到 100 个 token。真要说，语音反而省 token，因为简短的口头回答替代了冗长的书面回答。需要说明，这只是单次会话，不是受控的打字对语音对比，当作强提示而非基准测试。

够快吗

大体够。智能体想完之后，语音衔接大约 2 秒：Whisper 转写约 0.3 秒，Kokoro 开始发声约 1.6 秒。真正的变量是模型思考多久，那部分你本来也要等。一个意外发现：Kokoro 在 CPU 上比在 Mac 的 GPU 上更快，首段音频 CPU 是 0.4 秒，GPU 是 2.2 秒，预热之后 GPU 也没追上来。本地文字转语音觉得慢，可以试试强制用 CPU。还有个教训：测语音合成时每次都要用新文本，重复文本会被缓存，我第一次测出的数字比真实情况好了 5 倍。

踩过的坑

• 蓝牙耳机当麦克风会出杂音和机器人声。macOS 在开始收音时会把耳机切进“通话模式”。用笔记本麦克风输入，耳机只用来听。
• 安装参数里带 --model small 在我这儿弄坏了 Whisper 的安装，单独用 voicemode service install whisper 装就好。
• Python 版本不匹配。Kokoro 要 Python 3.10，机器默认版本更新的话，在 3.10 上重建它的虚拟环境。
• 模型下载损坏。Kokoro 起不来就查模型文件大小，我那次少了 50MB。
• 不是每个智能体都读全局 MCP 配置。语音工具不出现，就把服务器加到按智能体或按项目的配置里。
• 隐私提醒：VoiceMode 的日志以明文保存你说的话，记得列进清理清单。

我没用哪些，为什么

定下来之前我看了一圈。Claude Code 自带的 /voice 适合听写，但只做输入，而且走云端转写，没有语音回复。其他语音 MCP 服务器要么几乎没人维护、只支持 macOS 且已停更，要么每个项目要装好几个 GB 的模型。云端语音工具有的实时字幕更漂亮，但会把音频送到云上，有的还单独计费。VoiceMode 是我找到的唯一一个完全本地、在积极维护、且跨每个项目和每个智能体都能用的选项。

AI 会让人变笨吗

“认知债务”这个词最近在流传，还有“认知投降”和“AI 脑疲劳”。担忧是真的，研究也开始跟上。Anthropic 的一项随机试验里，使用 AI 助手的初级开发者理解力测试得分比手写代码的低 17%。有意思的是用法：把整个任务丢给 AI 的人得分低于 40%，让 AI 解释的人得分高于 65%，和不使用 AI 的组持平甚至更好。研究者 Shaw 和 Nave 在“认知卸载”（把任务交出去但仍在思考）和“认知投降”（AI 的答案不经审视就成了你的答案）之间划了一条有用的线。波士顿咨询公司的研究者则用“AI 脑疲劳”形容追赶那些产出超过你吸收能力的工具所带来的精神宿醉。

我的看法是：那一大堵文字墙本身就是问题的一大部分。智能体甩给你 900 词，最省事的动作就是扫一眼、点点头、接受。那是被疲惫逼出来的投降。

语音本身修不好这件事。你照样可以像点“接受”一样懒地说“是”。但它从几个方向改变了默认值：你得把想要的东西说出口，把意图放进一句话里就是思考，不理解一件事很难把它讲清楚；短回答会引出追问，智能体说“我改了两个文件里的重试逻辑”，自然的反应是“为什么是两个”，一来一回把你拉进推理里而不是绕过去；要读的东西少了，过载就少了，大意用耳朵接，细节只在需要时打开屏幕；确认步骤逼你做决定，智能体复述它要做的事，你必须主动同意。

为了留在“卸载”这一侧，我养了几个习惯：提问前先说出自己的猜测（“我觉得是超时，查一下？”）；每个任务至少问一次“为什么”；让智能体解释而不只是执行，尤其是在你还不熟的代码里；隔一段时间先自己解一遍，再用智能体核对。语音让这些习惯变得自然，因为它们本来就是你和一个真人说话的方式。

接下来会怎样

我不认为我们会永远读智能体的输出。随着智能体承担更长、更自主的任务，人的工作从读完所有内容，转向保持方向感：知道发生了什么、卡在哪、什么需要决策，同时思考仍然自己做。语音恰好擅长这个——短、当下、不必坐着盯屏幕就能跟上。细节留在屏幕上，等你要的时候再看；大意主动来到你耳边。

这套配置免费、本地、大约十分钟。如果你晚上用编程智能体做副业项目，试着跟它说一周话。我猜你不会想回去滚屏幕了。我接下来想试的是 NVIDIA 的 Parakeet 模型，让语音识别更快，并把语音服务挪到家用服务器上，让笔记本凉快点。