کدنویسی صوتی با Qwen Audio Agent و Claude Code
هوش مصنوعیClaude Opus 5.5خلاصهٔ کامل‌تر
Qwen Audio Agent یه برنامهٔ متن‌بازه که یه گفت‌وگوی صوتی رو به agentهایی وصل می‌کنه که واقعاً روی سیستمت کار انجام می‌دن. این مطلب توضیح می‌ده که خودش کد نمی‌نویسه و فقط نقش رابط صوتی رو داره. درخواست‌های کدنویسی رو از طریق یه adapter برای ACP (یعنی agent client protocol، لایه‌ای که اجازه می‌ده یه برنامهٔ بیرونی به Claude Code کار بده و نتیجه بگیره) به Claude Code می‌فرسته. یه gateway محلی هم این وسط پیام‌ها رو رد و بدل می‌کنه، پس می‌تونی حرف بزنی در حالی که کدنویسی پشت صحنه داره انجام میشه.
برای نصب خط فرمانی، نسخهٔ پشتیبانی‌شدهٔ Node لازمه (تو این راه‌اندازی سری Node 24 با npm 10 به بالا). بستهٔ qn-audio-agent با npm به‌صورت global نصب میشه و دستور تنظیمات یه فایل env رو باز می‌کنه. اونجا کلید API سرویس DashScope رو که فقط برای اتصال صوتی‌ه، provider بلادرنگ رو که DashScopeه، و مدل صوتی Qwen رو تنظیم می‌کنی. Claude جزو این انتخاب نیست و جدا وصل میشه.
بعد یه دستور نصب، اجزای Claude مثل adapter مربوط به ACP رو چک و نصب می‌کنه و اگه Claude Code از قبل نصب باشه از همون استفاده می‌کنه. نویسنده توصیه می‌کنه قبل از هر چیز Claude Code رو مستقیم تو ترمینال باز کنی و با یه درخواست کوچیک مطمئن بشی ورود و سهمیه‌ت درسته. چون پشت رابط صوتی سخت میشه فهمید مشکل از صداست یا از Claude. چک موفق راه‌اندازی هم فقط اتصالات رو تأیید می‌کنه، نه سهمیهٔ حسابت رو.
تو فایل تنظیمات، فیلد پروتکل agent باید صراحتاً روی Claude باشه. اگه فیلد مدل back end رو خالی بذاری، Claude از تنظیمات مدل خودش استفاده می‌کنه. حالت permission روی native یعنی Claude مثل همیشه برای تصمیم‌ها ازت سؤال می‌پرسه و هیچی بی‌صدا تأیید نمی‌شه. نکتهٔ مهم‌تر workspaceه: باز کردن ترمینال تو پوشهٔ پروژه اونو workspace agent نمی‌کنه. باید مسیر کامل پوشه رو تو تنظیمات بذاری و قبل از کار واقعی از agent بخوای مسیرش رو بگه و فایل‌ها رو بدون تغییر لیست کنه.
موقع اجرا، gateway تو یه ترمینال و رابط وب تو یه ترمینال دیگه بالا میاد. هدفون بهتره تا میکروفون صدای خود دستیار رو نگیره. چندتا رفتار رو باید بدونی: وسط کدنویسی می‌تونی سؤال دیگه بپرسی ولی مدل صوتی از دانش خودش جواب می‌ده، نه از پیشرفت کار Claude. قطع کردن حرف دستیار فقط صدا رو قطع می‌کنه و کار رو کنسل نمی‌کنه. تغییرهایی که وسط کار می‌گی ممکنه برن تو صف، و بستن پنجره یا قطع میکروفون هم کار پس‌زمینه رو متوقف نمی‌کنه. برای کنسل باید دکمهٔ مخصوصش رو بزنی.
به گفتهٔ نویسنده، صدا برای توضیح نیازمندی‌ها، پرسیدن سؤال و گزارش باگ خوبه، ولی مسیر فایل، کد و متن خطا رو بهتره تایپ کنی. یه «تموم شد» صوتی هم تأیید حساب نمی‌شه و باید خود برنامه و diff رو ببینی. هزینه هم از دو جا میاد: DashScope برای بخش صوتی و حساب یا API خود Claude Code برای کدنویسی. متن‌باز بودن پروژه این دوتا رو مجانی نمی‌کنه.
نکات کلیدی:
- Qwen Audio Agent فقط رابط صوتی‌ه و کار کدنویسی رو از طریق adapter مربوط به ACP به Claude Code می‌سپره.
- نصب خط فرمانی با Node 24 و npm 10 به بالا و بستهٔ qn-audio-agent انجام شده.
- مسیر workspace باید به‌صورت مسیر کامل تو تنظیمات بیاد، باز کردن ترمینال تو پوشه کافی نیست.
- قطع کردن صدا، بستن گفت‌وگو یا قطع میکروفون، کار در حال اجرای Claude رو کنسل نمی‌کنه.
- دو هزینهٔ جدا داری: DashScope برای صدا و حساب Claude Code برای کدنویسی.
