Skip to main content

​
VOICE_MODE — 语音输入

Feature Flag: FEATURE_VOICE_MODE=1 实现状态：完整可用（需要 Anthropic OAuth） 引用数：46

​
一、功能概述

VOICE_MODE 实现”按键说话”（Push-to-Talk）语音输入。用户按住空格键录音，音频通过 WebSocket 流式传输到 Anthropic STT 端点（Nova 3），实时转录显示在终端中。

​
核心特性

  • Push-to-Talk：长按空格键录音，释放后自动发送
  • 流式转录：录音过程中实时显示中间转录结果
  • 无缝集成：转录文本直接作为用户消息提交到对话

​
二、用户交互

操作行为
长按空格开始录音，显示录音状态
释放空格停止录音，等待最终转录
转录完成自动插入到输入框并提交
/voice 命令切换语音模式开关

​
UI 反馈

  • 录音指示器：录音时显示红色/脉冲动画
  • 中间转录：录音过程中显示 STT 实时识别文本
  • 最终转录：完成后替换中间结果

​
三、实现架构

​
3.1 门控逻辑

文件：src/voice/voiceModeEnabled.ts 三层检查： 
isVoiceModeEnabled() = hasVoiceAuth() && isVoiceGrowthBookEnabled()
  1. Feature Flag：feature('VOICE_MODE') — 编译时/运行时开关
  2. GrowthBook Kill-Switch：!getFeatureValue_CACHED_MAY_BE_STALE('tengu_amber_quartz_disabled', false) — 紧急关闭开关（默认 false = 未禁用）
  3. Auth 检查：hasVoiceAuth() — 需要 Anthropic OAuth token（非 API key）

​
3.2 核心模块

模块职责
src/voice/voiceModeEnabled.tsFeature flag + GrowthBook + Auth 三层门控
src/hooks/useVoice.tsReact hook 管理录音状态和 WebSocket 连接
src/services/voiceStreamSTT.tsWebSocket 流式传输到 Anthropic STT

​
3.3 数据流

用户按下空格键
      │
      ▼
useVoice hook 激活
      │
      ▼
macOS 原生音频 / SoX 开始录音
      │
      ▼
WebSocket 连接到 Anthropic STT 端点
      │
      ├──→ 中间转录结果 → 实时显示
      │
      ▼
用户释放空格键
      │
      ▼
停止录音，等待最终转录
      │
      ▼
转录文本 → 插入输入框 → 自动提交

​
3.4 音频录制

支持两种音频后端：
  • macOS 原生音频：优先使用，低延迟
  • SoX（Sound eXchange）：回退方案，跨平台
音频流通过 WebSocket 发送到 Anthropic 的 Nova 3 STT 模型。

​
四、关键设计决策

  1. OAuth 独占：语音模式使用 voice_stream 端点（claude.ai），仅 Anthropic OAuth 用户可用。API key、Bedrock、Vertex 用户无法使用
  2. GrowthBook 负向门控：tengu_amber_quartz_disabled 默认 false，新安装自动可用（无需等 GrowthBook 初始化）
  3. Keychain 缓存：getClaudeAIOAuthTokens() 首次调用访问 macOS keychain（~20-50ms），后续缓存命中
  4. 独立于主 feature flag：isVoiceGrowthBookEnabled() 在 feature flag 关闭时短路返回 false，不触发任何模块加载

​
五、使用方式

# 启用 feature
FEATURE_VOICE_MODE=1 bun run dev

# 在 REPL 中使用
# 1. 确保已通过 OAuth 登录（claude.ai 订阅）
# 2. 按住空格键说话
# 3. 释放空格键等待转录
# 4. 或使用 /voice 命令切换开关

​
六、外部依赖

依赖说明
Anthropic OAuthclaude.ai 订阅登录，非 API key
GrowthBooktengu_amber_quartz_disabled 紧急关闭
macOS 原生音频 或 SoX音频录制
Nova 3 STT语音转文本模型

​
七、文件索引

文件行数职责
src/voice/voiceModeEnabled.ts55三层门控逻辑
src/hooks/useVoice.ts—React hook（录音状态 + WebSocket）
src/services/voiceStreamSTT.ts—STT WebSocket 流式传输