‏صدا؛ ابزار دست‌کم‌گرفته‌شده برای کار با AI

بن کانگدون تو این پست می‌گه صدا یه راه طبیعی و حالا «برنامه‌پذیر» برای کار با AI هست که کمتر ازش استفاده می‌شه. اون کاربردهاش رو تو سه دسته گفته: ورودی، خروجی و مکالمهٔ زنده.

ورودی: حرف زدن با coding agentها خیلی وقت‌ها از تایپ راحت‌تره. تیمش جلسه‌های طراحی رو transcribe می‌کنه و بعدش با چندتا session agent طراحی رو جلو می‌برن، بدون اینکه کسی ساعت‌ها بشینه سند بنویسه. نویسنده تو مسیر خونه تو Voice Memos دربارهٔ یه مسئله حرف می‌زنه، بعد متنش رو به یه agent با /goal می‌ده که شب روش کار کنه، و صبح خیلی وقت‌ها مسئله حل شده. برای STT (یعنی تبدیل گفتار به متن) از FluidVoice با مدل‌های Parakeet انویدیا استفاده می‌کنه و با یه پاکسازی توسط Claude Opus تقریباً ۱۰۰٪ دقیقه.

خروجی: نویسنده یه «پادکست» روزانهٔ ۱۰ تا ۲۰ دقیقه‌ای برای خودش ساخته که اخبار، هواشناسی پرواز، تسک‌ها، خلاصهٔ مقاله‌های RSS، رویدادهای طبیعت و نجوم رو جمع می‌کنه و با TTS (تبدیل متن به گفتار) می‌خونه. به گفتهٔ اون سخت‌ترین بخش، تنوع دادن به بخش‌ها بود، چون یه «بهم خلاصهٔ روز رو بده» ساده بعد چند روز تکراری می‌شه. قبلاً از GPT-4o mini TTS استفاده می‌کرد که منسوخ شد و حالا Gemini 3.8 TTS رو پیشنهاد می‌کنه که صداهای پرحس داره، روی OpenRouter کار می‌کنه و ارزونه.

مکالمهٔ زنده: Claude، ChatGPT و Gemini همه حالت صوتی زنده دارن. نویسنده Claude رو ترجیح می‌ده چون حالت صوتیش از MCP (یعنی پروتکلی که مدل رو به ابزارهای بیرونی وصل می‌کنه) پشتیبانی می‌کنه. اون تسک، یادداشت و فلش‌کارت‌هاش رو پشت MCP گذاشته. مثلاً Claude سؤال فلش‌کارت رو می‌پرسه، اون بلند جواب می‌ده و مدل نمره می‌ده. نویسنده می‌گه این از Anki بهتره، چون وقتی جواب رو بلند می‌گی نمی‌تونی ناخودآگاه به خودت کلک بزنی.

نکات کلیدی:

• ترکیب FluidVoice، مدل Parakeet و پاکسازی با Claude Opus تقریباً دقت ۱۰۰٪ داره
• پادکست شخصی روزانه ۱۰ تا ۲۰ دقیقه‌ست و تنوع بخش‌ها کلید تکراری نشدنشه
• GPT-4o mini TTS منسوخ شده و جایگزین پیشنهادی Gemini 3.8 TTS هست
• حالت صوتی Claude از MCP پشتیبانی می‌کنه و می‌شه باهاش تسک ثبت کرد یا فلش‌کارت مرور کرد
• به تجربهٔ تیم نویسنده، پشیمونی از ضبط نکردن جلسه خیلی بیشتر از پشیمونی از ضبط کردنه