KeyFrame內部研究專用

ChatGPT Voice × Codex 完整教程:语音控制电脑与 AI Agent 工作流

NiceKate AI12 min中文
觀看原始影片

三句話摘要

ChatGPT Voice 與 Walker/Codex 協作的實戰展示及使用體驗。 ChatGPT Voice 最大價值在於將語音變成高效協作介面,使用者專注創意決策而把執行細節與提示優化交給 AI,實現了比文字交互更自然、更即時的人機互動。 全雙工即時互動:使用者可隨時打斷 Voice 進程、提出新要求,Voice 能即時切換任務並承接新指令,無需等待當前操作完成。

重點整理

  1. 全雙工即時互動:使用者可隨時打斷 Voice 進程、提出新要求,Voice 能即時切換任務並承接新指令,無需等待當前操作完成。

  2. 智能任務拆解與多線程管理:Codex 作為專案經理識別目標、分析現狀,將任務分配給多個 Worker 並行處理(如網頁界面、數據處理、測試),最後歸納結果,大幅提升協作效率。

  3. 提示詞自動優化與上下文感知:Voice 不僅執行任務,還主動擴展與優化提示詞,添加安全提醒(如先讀取指令再執行),比語音轉文本的原始輸入品質大幅提升。

  4. 跨平台與多模型能力:Desktop 版本使用 4o 模型,支援 MacOS 腳本、瀏覽器控制、檔案系統操作,可無縫調用其他模型(如 Grok 生圖)進行協作。

實用技巧與重點

  • 模型配置:Desktop 端使用 GPT-4o 模型;可選推理程度(如「Deep」);支援新建線程切換至 o1 模型做編碼
  • 系統集成:Chrome 瀏覽器控制、macOS 備忘錄編輯、檔案目錄操作、運行本地腳本
  • 工作流示例:24 小時 AI 新聞整理 → 打開 5 篇文章於 Chrome → 建立備忘錄並 Markdown 匯出;長新科技股票研究 → 參考 Kimi 排版 → 生成研究報告頁面;短片製作 → 調用 Groq 生圖生影片 → 迭代提示詞
  • 使用場景:任務編排、文案協作、資料快速查詢分析、頁面設計排版、內容生成與檢驗
  • 協作模式:邊做邊看、隨時補充指令、任務歸納後交付

結論

ChatGPT Voice 最大價值在於將語音變成高效協作介面,使用者專注創意決策而把執行細節與提示優化交給 AI,實現了比文字交互更自然、更即時的人機互動。

完整解析

ChatGPT Voice 是 OpenAI 在 7 月 23 日推出的語音互動版本,整合了 Walker 與 Codex 兩個助手。Desktop 版採用 GPT-4o 模型,透過點擊表情包啟動波浪形語音介面,使用者可完全透過口語與 AI 溝通。

視頻演講者展示了多個實際應用案例。首先是 24 小時 AI 新聞蒐集任務:講者語音告知需求後,Voice 自動搜索、篩選關鍵文章,並透過 Chrome 瀏覽器逐一打開五篇最重要的文章供讀者檢閱。隨後 Voice 建立備忘錄頁面,最終匯出成 Markdown 格式。這整個流程展現了 Voice 對瀏覽器、檔案系統與辦公應用的深度控制能力。

在任務拆解方面,Codex 作為專案協調員識別目標後,會將工作分配給多個 Worker 並行執行。比如頁面設計時,一個 Worker 負責介面、一個負責數據處理、一個負責測試,最後由 Codex 整合結果。當講者提出需求變更時(如按照 Kimi 的排版風格調整頁面),Codex 即刻調整策略、讓 Voice 打開參考網站擷取元素,並重新生成符合要求的頁面。這種動態調適能力是傳統工具所缺乏的。

Voice 最值得稱道的特點是提示詞自動優化。語音轉文本難免出現錯別字或不自然的表達,但 Voice 會在原始指令基礎上進行大幅延展與精化。例如當講者要求操作檔案時,Voice 主動添加「務必謹慎先完整閱讀指令、不修改文件的情況下統計、規則明確且無覆蓋風險時才執行」等安全提醒,超越了單純執行指令的層次。

此外,Voice 支援跨模型協作。講者在 Grok 的 web 介面上讓 Voice 調用 Grok 的生圖與生影片模型製作短片,Voice 自動生成冗長複雜的提示詞,講者則專注創意決策,在不滿意時即時打斷要求調整。整個協作過程流暢自然,使用者與 AI 之間形成了真正的「邊做邊看、隨時補妝」的協作狀態。

8 min
AI 技術中文11月17日

Muse AI 国内注册方法来了!无需排队、无需信用卡,全程免费!

一路向前看原片 ↗
  • IP環境是核心要素:乾淨的住宅IP搭配日本節點能大幅提升註冊成功率,講者稱日本節點「幾乎秒過」,可選美國但成功率較低。
  • 全新郵箱是必要條件:系統會記錄每個郵箱的註冊歷程,曾排隊或卡在信用卡驗證的信箱會直接失敗,必須使用全新未註冊過的郵箱才能完全規避之前的失敗記錄。
AI 技術中文11月17日

Meta 改写 K-Means,训练轮次降到十分之一​ | K-Means | e-means | Meta FAIR | 聚类算法 | 向量检索 | Faiss | DINO10B | 向量数据库

Best Partners TV看原片 ↗
  • 從累加到衰減的中心維護:傳統小批量更新會累積歷史統計量造成早期分配記錄長期影響,而 e-Means 用指數移動平均使新分配能即時調整中心,早先統計逐漸失效,避免陷入次優解。
  • 死簇復活機制是關鍵改進:消融實驗顯示這項改動影響最大,透過每 5 批次檢查樣本不足的中心,從較大簇拆分一半重新安排,將樣本不足 10 個的中心比例從 26.3% 降到 0.3%。
AI 技術英文11月17日

Goal Engineering - The New Buzzword

Prompt Engineering看原片 ↗
  • 長期開放式目標中最難提供的上下文不是文件或 API,而是人類的判斷力與品味。傳統的檔案查詢或技術規格是相對容易部分,真正瓶頸在於定義「什麼是好的結果」。
  • Actively AI 初期採用單一代理處理多種任務類型失敗,因為人類審查者必須在十種不同的任務格式間切換心智模式,造成效率低落。重新架構為多個專一代理後,人類可在相同心智模式下快速連續審查。