Claude Code Windowsissa: mitä /voice lähettää ja paikallinen sanelu

Koodausagentille puhuminen on monelle kehittäjälle ensimmäinen sanelun muoto, jota he ovat koskaan oikeasti kaivanneet. Kehotteet ovat pitkiä, keskustelunomaisia ja täynnä ilmauksia kuten "refaktoroi auth-middleware", ja niiden kirjoittaminen on hitaampaa kuin sanominen ääneen. Claude Codessa on nyt äänitila, ja se on hyvä. Tämä artikkeli kertoo tarkalleen, mitä se tekee äänellesi ja missä sen rajat tulevat vastaan, ja antaa mitatut luvut vaihtoehdolle: sanelunäppäimelle, joka toimii koneen jokaisessa terminaalissa, chat-kentässä ja editorissa ja jonka puhemalli toimii omalla näytönohjaimellasi.

Mitä Claude Coden äänitila tekee

Otat sen käyttöön komennolla /voice. Oletuksena olevassa hold-tilassa pidät välilyöntiä pohjassa puhuessasi; tap-tilassa napautat kerran aloittaaksesi ja toisen kerran lähettääksesi. Teksti ilmestyy kehotteeseen sitä mukaa kuin puhut, himmennettynä kunnes se on lopullinen, ja voit sekoittaa kirjoittamista ja puhetta samassa viestissä. Nauhoitus pysähtyy itsestään viidentoista sekunnin hiljaisuuden jälkeen tai kun sitä on kertynyt kaksi minuuttia. Litterointi on viritetty koodisanastolle, ja Claude Code lisää huomaamattomasti projektisi nimen ja git-haaran tunnistusvihjeiksi, mikä on näppärä yksityiskohta. Se ei kuluta käyttörajojasi lainkaan.

Sitten se osa, jonka Anthropicin oma dokumentaatio sanoo heti ensimmäisessä vaatimuksessaan: "Äänisanelu suoratoistaa nauhoittamasi äänen Anthropicin palvelimille litteroitavaksi. Ääntä ei käsitellä paikallisesti." (Alkuperäinen: "Voice dictation streams your recorded audio to Anthropic's servers for transcription. Audio is not processed locally.") Tästä lauseesta seuraa kolme asiaa, jotka samalla sivulla myös sanotaan suoraan.

• Se vaatii claude.ai-tilin. Puhepalvelu ei ole käytettävissä, kun Claude Code toimii API-avaimella tai Amazon Bedrockin, Google Cloudin Agent Platformin tai Microsoft Foundryn kautta. Yritysympäristöt, jotka valitsivat nämä reitit tietojen sijaintivaatimusten vuoksi, jäävät ilman äänitilaa. Se on johdonmukaista, joskin hankalaa.
• Se vaatii paikallisen mikrofonin. Ääni ei toimi SSH-istunnoissa, Claude Coden verkkoversiossa, VS Code Remotessa, Dev Containersissa tai Codespacesissa, eikä myöskään WSL1:ssä.
• Se osaa kaksikymmentä kieltä, yhden kerrallaan. Sanelu seuraa language-asetusta, jonka oletus on englanti. Aseta se puolaksi, niin sanelet puolaa; puhu puolaa asetuksen ollessa englanti, niin tuloksena on sotkua, kuten vianmääritysosio toteaa. Automaattista kielentunnistusta ei ole.

Mikään tästä ei ole kritiikkiä tekniikkaa kohtaan. Se on kuvaus arkkitehtuurista: erittäin hyvä pilvilitterointipalvelu, joka on upotettu yhteen sovellukseen ja tarjolla yhdenlaiselle tilille.

Missä se loppuu kehittäjän arjessa

Tili- ja verkkoehdot ovat joillekin tärkeitä, toisille eivät. Kaksi rajoitusta osuu kaikkiin.

Se toimii vain Claude Coden kehotteessa. Heti kun siirryt Codex-istuntoon, Cursorin chattiin, GitHub-issueen selaimessa, commit-viestiin editorissa tai Slack-ketjuun, ääni on poissa. Agenteille puhuvat kehittäjät puhuvat harvoin vain yhdelle niistä.

Ääni lähtee koneelta. Omassa sivuprojektissa se ei huoleta ketään. Kun kyse on asiakkaan koodikannasta salassapitosopimuksen alla, säännellyn alan työnantajasta tai yksinkertaisesti kehittäjästä, joka valitsi paikalliset mallit syystä, se on raja. Jotkin organisaatiot ovat jo poistaneet ominaisuuden käytöstä käytännöillään, ja Claude Code ilmoittaa siitä viestillä "Voice mode is disabled by your organization's policy".

Paikallinen vaihtoehto mitattuna

Koko järjestelmässä toimiva sanelunäppäin kiertää molemmat rajoitukset: paina sitä missä tahansa ikkunassa, puhu, paina uudelleen, ja teksti ilmestyy kohdistimen kohdalle omalla näytönohjaimellasi toimivan Whisper-mallin litteroimana. Ilmeinen kysymys on, onko paikallinen litterointi tarpeeksi nopeaa tuntuakseen keskustelulta. Mittasimme oman moottorimme, saman joka toimii AlphaDictate-sovelluksessa, kannettavalla, jolla tämä artikkeli on kirjoitettu. Siinä on erillinen, kannettaville tarkoitettu NVIDIA RTX 5070 Ti -näytönohjain ja integroitu AMD Radeon 890M. Testiääni on 77 sekuntia synteettistä englanninkielistä puhetta tuotepalaverista, pilkottuna tyypillisten sanelujen pituuksiin. Jokainen luku on kolmen ajon mediaani julkaistulla moottorilla, eikä siihen sisälly sekunnin murto-osa, jonka itse liittäminen vie.

Mallin lataaminen näytönohjaimelle tapahtuu kerran, ja siihen kului koosta riippuen yhdestä kahteen ja puoleen sekuntiin. Tyypillinen kehote agentille on kymmenestä kahteenkymmeneen sekuntia puhetta, joten erillisellä näytönohjaimella teksti ilmestyy tarkimmalla mallilla alle sekunnissa siitä, kun lopetat puhumisen, ja integroidulla noin kahdessa sekunnissa, tai selvästi alle sekunnissa, jos valitset Nopea-mallin. Pilvisanelu ei ole tätä merkittävästi nopeampi, kun edestakainen matka palvelimelle lasketaan mukaan, eikä paikallinen sanelu hidastu huonolla yhteydellä.

Pidemmissä saneluissa odotus on harvoin edes näin pitkä: AlphaDictate litteroi jokaisen tauon kohdalla sen, mitä olet jo sanonut, samalla kun jatkat puhumista. Minuutin taukoja sisältäneen sanelun jälkeen jäljellä on siis vain viimeinen pätkä, ja se vie tarkimmalla mallilla noin puoli sekuntia erillisellä näytönohjaimella ja kaksi sekuntia integroidulla. Luvut löytyvät näytönohjainartikkelistamme.

Kaksi rehellistä varausta. Synteettinen puhe on selkeämpää kuin kannettavan mikrofoniin mumiseva ihminen, joten tämä testi ei mittaa tarkkuutta vaan viivettä. Lisäksi integroidun näytönohjaimen sarakkeet ovat vuoden 2025 kannettavasta; vanhemmat integroidut näytönohjaimet ovat hitaampia, minkä vuoksi sovelluksessa on kolme mallikokoa ja se kertoo ensimmäisellä käynnistyksellä, mitä niistä laitteistosi jaksaa.

Terminaaliongelma, josta kukaan ei puhu

Jokainen Windowsin sanelutyökalu, myös meidän, vie tekstin terminaaliin samalla tavalla: se laittaa tekstin leikepöydälle ja lähettää liittämiskomennon. Windows Terminal, VS Coden terminaali ja konsoli, jossa Claude Code toimii, hyväksyvät kaikki Ctrl+V:n, joten tämä toimii. Kaksi asiaa rikkoo sen, ja ne rikkovat sen jokaiselta työkalulta.

Ensimmäinen on korotetuin oikeuksin toimiva terminaali. Jos ajat komentotulkkia järjestelmänvalvojana, Windows hylkää hiljaa tavallisin oikeuksin toimivan ohjelman lähettämät näppäinpainallukset, eikä liittäminen näytä tekevän mitään, eikä virheilmoitusta tule mistään. AlphaDictate tarkistaa tämän ennen liittämistä ja kertoo, että teksti on leikepöydällä ja voit painaa Ctrl+V itse, jottei sanelu katoa. Toinen on itse leikepöytä: liittäminen korvaa sen, mitä olit kopioinut. Jätämme tekstin leikepöydälle tarkoituksella, jotta mistä tahansa syystä epäonnistunut liittäminen on yhden Ctrl+V:n päässä, ja jokainen sanelu tallentuu myös sovelluksen paikalliseen historiaan. Jos sanelet kesken jonkin tärkeän kopioimisen, kopioi se uudelleen jälkeenpäin. Tämä on vaihtokauppa, ja kerromme siitä mieluummin tässä kuin annamme sinun huomata sen itse.

Paikallinen sanelunäppäin agenttityöhön

1. Asenna paikallinen sanelusovellus ja anna sen ladata malli. Valitse Nopea-malli, jos koneessasi on integroitu näytönohjain ja haluat tulokset alle sekunnissa; erillisellä näytönohjaimella valitse Paras.
2. Määritä sanelu näppäimelle tai painikkeelle, johon osut katsomatta. Hiiren sivupainike on agenttityöhön ihanteellinen: käsi hiirellä, painallus, puhe, painallus, ja kehote täyttyy.
3. Jätä kieleksi Tunnista automaattisesti, jos ajattelet useammalla kuin yhdellä kielellä. Whisper seuraa mukana kesken lauseen.
4. Lisää projektisi erikoiset sanat kerran sanastovihjeeseen: sisäisten palveluiden nimet, kirjasto, jonka nimeä toistelet, toisen perustajan sukunimi.
5. Pidä myös Claude Coden oma äänitila käytössä, jos pidät sen reaaliaikaisesta esikatselusta. Ne eivät ole ristiriidassa: toinen on näppäin yhden sovelluksen sisällä, toinen näppäin kaikkialla.

Me teemme AlphaDictate-sovellusta, joten lue suositus sen tiedostaen. Samassa sarjassa ilmainen vaihtoehto on Handy, avoimen lähdekoodin paikallinen sanelusovellus, jossa on vähemmän ominaisuuksia mutta joka ei maksa mitään. Aiempi kirjoituksemme Windowsin sanelukirjoituksesta käsittelee sisäänrakennettua vaihtoehtoa, joka sekin lähettää äänen palvelimelle ja sekin rajoittuu yhteen kieleen kerrallaan.

---

Usein kysyttyä

Käsitteleekö Claude Coden äänitila ääntä paikallisesti? Ei. Anthropicin dokumentaation mukaan ääni suoratoistetaan Anthropicin palvelimille litteroitavaksi, eikä sitä käsitellä paikallisesti.

Miksi /voice sanoo vaativansa Claude.ai-tilin? Puheesta tekstiksi -palvelua tarjotaan vain claude.ai-kirjautumisille. Claude Code -istunnot, jotka on todennettu API-avaimella tai Bedrockin, Google Cloudin Agent Platformin tai Microsoft Foundryn kautta, eivät voi käyttää sitä.

Voinko sanella Claude Codeen SSH-yhteyden yli? Et sisäänrakennetulla äänitilalla, sillä se vaatii paikallisen mikrofonin. Omalla koneellasi toimiva järjestelmänlaajuinen sanelusovellus kirjoittaa SSH-terminaaliin kuten mihin tahansa muuhun ikkunaan.

Mitä kieliä Claude Coden äänitila tukee? Kahtakymmentä, muun muassa englantia, saksaa, ranskaa, espanjaa, portugalia, puolaa, japania, koreaa ja ukrainaa. Kieli valitaan kieliasetuksella, eikä sitä tunnisteta automaattisesti.

Kuinka nopeaa paikallinen sanelu on kannettavalla? Mittaamallamme kannettavalla viidentoista sekunnin sanelu litteroitui tarkimmalla mallilla alle sekunnissa erillisellä näytönohjaimella ja noin kahdessa sekunnissa integroidulla, tai alle sekunnissa Nopea-mallilla.

Toimiiko sanelu järjestelmänvalvojana ajettavassa terminaalissa? Windowsissa korotetuin oikeuksin toimivat ikkunat ohittavat ohjelmallisesti lähetetyt liittämiset, oli työkalu mikä tahansa. AlphaDictate tunnistaa tilanteen ja jättää tekstin leikepöydälle, jotta voit painaa Ctrl+V itse.