Sesimle Terminalde Kod Yazdırdım: Codex Voice ile Küçük Bir Jarvis

Terminalde konuşarak kod yazmak

Bilgisayarıma ne istediğimi söylüyorum, o da siteleri, uygulamaları ve küçük araçları gözümün önünde terminalde inşa ediyor. Kulağa bilim kurgu gibi geliyor ama OpenAI Codex CLI 0.155 sürümüyle gelen deneysel sesli mod tam olarak bunu vadediyor: klavye yerine sesimle talimat veriyorum, ajan kodu yazıyor. Sunucu bu deneyimi tek cümlede özetliyor; ben de onun izinden gidip iddiayı parça parça sınadım: kurulum, canlı deneme ve kendi sesli ajanımı kurma.

Önce Codex güncelleniyor, sonra terminalde /experimental yazılıp Voice conversations anahtarı açılıyor, Codex yeniden başlatılıyor ve /voice komutuyla sohbet başlıyor. Bu sırayı hammerautomation derlemesindeki resmi 0.155.0 notlarıyla karşılaştırdım ve adımlar birebir uyuyor; mikrofon denetimi /voice mute ile yapılıyor, çıkış /voice stop ile. Önemli bir ayrıntı var: ses desteği her derlemede yok, yerel ses çalıştırıcısı bulunmayan istemcilerde ilgili menüler gizleniyor.

Kurulumdan ilk denemeye

Sunucu önce geniş bir istek dikte ediyor: topluluğu için yeni bir site sayfası. Ajan kodu yazarken o tasarım hakkında sorular soruyor ve geri bildirim alıyor; klavyeye dokunmadan ilerlemek gerçekten etkileyici. Ardından spor temalı küçük bir uygulama denemesi geliyor ve burada dürüst bir sınır ortaya çıkıyor: ekranı okuma tarafı belirgin şekilde yavaş kalıyor. Bu deneysel etiketini gptmap incelemesindeki uyarıyla birlikte okudum; özelliğin davranışı derlemeye ve ortama göre değişiyor, her makinede aynı sonucu beklememek gerekiyor.

Burada kritik noktayı atlamamak gerek: mikrofondan gelen söz, ekrana düşen taslak bir yönergedir ve dosyalar değişmeden önce okunmalıdır. Yazılı talimatla aynı onay modeli geçerlidir; sesli söz ne yetki yaratır ne de çalışma alanı kurallarını ezer. chatgptaihub üzerindeki Codex bilgisayar kullanımı rehberindeki kural da aynı kapıya çıkıyor: dosya silme ve sistem ayarları gibi hassas işlemlerde açık kullanıcı onayı isteniyor. İsimler, dosya yolları ve bayraklar yanlış duyulabilir, o yüzden her isteği gözden geçirmek şart.

Beş dakikada kendi Jarvisim

Sunumun en eğlenceli kısmı burada başlıyor: sunucu sesle, yaklaşık beş dakikada tarayıcıda çalışan küçük bir sesli ajan üretiyor. Konuşmayı başlat düğmesine basıyor, mikrofon iznini veriyor ve arama motorunun açılmasını istiyor; ajan da sayfayı açıyor. Bu, mindstudio derlemesinde anlatılan computer use yeteneğinin ta kendisi: imleci oynatmak, düğmelere basmak, form doldurmak; kestirmesi olmayan işler için evrensel bir bağlayıcı. Hazır araç bir topluluk bağlantısıyla sunuluyor, bunu tek cümlelik bir not olarak geçiyorum.

Bu mini ajanın en pratik yanı, ayrı bir API anahtarı istememesi; Codex erişimlerini doğrudan miras alıyor. Sesler değiştirilebiliyor, arayüz düzenlenebiliyor, ek araçlar ve MCP bağlantıları eklenebiliyor. ccleaks notlarındaki 0.156 yenilikleri tabloyu tamamlıyor: ses öntanımlı açık geliyor, F8 ile kapatılıp açılıyor, /usage panosu harcamayı gösteriyor ve çalışma ağaçları öntanımlı etkin. Yani sunucunun kurduğu düzenek, bir sonraki sürümde kutudan çıkan davranışa dönüşmüş oluyor.

Sürüm takvimini greenlitbooks alanındaki günlükten izledim: 17 Eylülde 0.155.0, ertesi gün küçük bir düzeltme, 22 Eylülde 0.156.0 ve ay sonunda 0.159.1; ses, görev görünümü, çalışma ağaçları ve oturum sürdürme bu aralıkta parça parça geldi. Sunucunun kaydı ekim başında yayımlandığı için anlattıkları 0.156 dünyasına denk düşüyor. remio çözümlemesindeki benzetme hoşuma gitti: terminal, dağınık komut satırı işlerinin toplandığı bir komuta merkezine dönüşüyor.

Toparlayacak olursam, sesli kip klavyeyi ortadan kaldırmıyor ama tarif ve hata anlatımı gibi sözlü işlerde hız kazandırıyor. Ekran okuma yavaşlığı ve belge eksikliği can sıkıyor, yine de çekirdek iddia sürüm notlarıyla doğrulanıyor. Benim düzenimde ses, klavyenin yerine değil yanına geçti; ilk denemeyi küçük ve geri alınabilir bir görevle yapacağım.