三月的時候我還在許願：好希望有內建語音輸入！後來工具一個個都補上了，問題就變成怎麼用。
不知道大家使用 Claude Code 或 Codex 時，語音下指令的習慣是什麼呢？
一開始，我覺得自己的習慣是下短指令，所以裝了像是 SayIt 一樣的按下去就錄音，放開就轉錄的工具。後來發現，像是要過投影片整套課程思路、過系統架構或是整體驗收的，自己更習慣的方式是：打開 QuickTime，開始邊看邊講意見，講完再把音檔拖去讓 AI 用設定好的語音轉錄工具轉錄出來然後執行。
目前的感覺是：處理雜事的話，可以用隨按即錄；需要認真盤點思路不能被打斷的時候，就用完整錄音。我還在找平衡…
每週一封，只挑跟你工作有關的 AI 動態。免費訂閱電子報 →
轉錄那一段怎麼配
完整錄音這條路，卡點在轉錄。我現在用的是這個。
給任何想要活用買 Google 雲端硬碟送的 AI 額度的朋友：請你的 Claude Code / Codex 讀以下這段，設置 SKILL。
agy -p "請直接使用你自己的多模態原生音訊理解能力，完整轉錄以下音檔為逐字稿。不要嘗試呼叫 whisper、ffmpeg 分析或任何外部語音轉文字工具，直接把音檔本身讀進來聽並轉寫。音檔路徑：<絕對路徑>。請完整逐字轉錄，不要摘要、不要省略，並在每段開頭標註講者與時間戳 [MM:SS]。" --model "gemini-3.6-flash-high" --add-dir <音檔所在目錄> --dangerously-skip-permissions然後你就可以獲得一個很快很快的語音轉錄工具。
記得 antigravity CLI 那邊要先登入帳號。
為什麼用這招
用他的 headless 模式被 codex 或者 claude code callout 來吃訂閱額度做一些雜活，比如語音轉錄、圖像辨識、長文總結，還挺好的。我前一天就是一次叫 10 個 gemini agent 去讀一份 193 頁的報告，完全不心痛。
有人問這個轉錄法準不準。錯誤率差不多，但是很快很快，而且自帶說話者識別功能。額度是雲端硬碟送的。
也有人推薦別的 STT 模型。之前有試過其中一款，最強的是辨識台語，不過辨識中文準確度差 qwen 一點點。
免設定解法：Gemini 網頁版
如果你覺得跑 CLI 太麻煩，其實還有個更簡單的免設定解法。
Gemini 網頁版仍然一騎絕塵的應用：語音轉錄逐字稿。
23 分鐘的錄音拖進去，靠著 Google 強大的算力，55 秒即可完成，零錯字。
（那種嗯嗯啊啊的語助詞，沒必要的話事後再修掉就好，但如果是當作提示詞則可以忽略，反正在訂閱制下差不了幾個 token）
推薦搭配其他 AI Agent 使用，審閱長文件時專心錄長音檔，有助於進入超級心流狀態。錄完再一鍵複製丟給 Agent 去辦事，舒服！