Voicebox: یه سیستمعامل صوتی تو مرورگر
خلاصهٔ کاملتر
پل کینلن تو این پست از Voicebox میگه؛ یه voice harness (یعنی محیطی مثل Claude Code که ایجنت توش ابزار صدا میزنه، ولی کنترلش کامل با صداست). نویسنده میگه سرعت تایپش از سرعت فکرش عقبتره و میخواست ابزاری داشته باشه که وقتی خودش مشغول کاره، گوش بده و کار رو شروع کنه. مدل Gemini-3.8-live که سریع جواب میده و میشه وسط حرفش پرید، این ایده رو عملی کرده.
ساختار پروژه سه تیکهست: یه صفحه تو مرورگر که بهش «room» میگن، یه daemon محلی کوچیک (node server.mjs) که حلقهٔ ایجنت روش اجرا میشه و کلید API رو نگه میداره، و مدل live تو کلود. صدای میکروفون با یه AudioWorklet گرفته میشه و از طریق WebSocket به daemon میره. هر پروژه میتونه تو OPFS (یعنی فضای فایل خصوصی مرورگر)، یه پوشه که با File System Access API انتخاب شده، یا یه پوشه روی دیسک باشه و مدل اصلاً لازم نیست بدونه کدومه.
مینیاپها فقط یه فایل HTML هستن که مدل مینویسه و با launch_mini_app اجراش میکنه. چون کد رو مدل نوشته، دو لایه iframe داره: لایهٔ بیرونی هر پیامی رو چک میکنه و لایهٔ داخلی با sandbox="allow-scripts" و origin مبهم اجرا میشه، یعنی کوکی و storage و دسترسی به API نداره. ابزارهای هر اپ از طریق WebMCP ثبت میشن، یعنی اپ با document.modelContext.registerTool() یه ابزار تعریف میکنه و مدل میتونه صداش بزنه. اینطوری اپهایی که امروز میسازی، هفتهٔ بعد هم ابزار مدل هستن.
اکستنشنها عمداً کد نیستن؛ یه فایل JSON هستن که یکی از شش عملیات آماده مثل http-get یا wasm رو تنظیم میکنن. مثلاً اکستنشن Brave Search کلید رو از env خود daemon میخونه، پس کلید هیچوقت به صفحه یا مدل نمیرسه. ابزارهای WASM با هش SHA-256 قفل میشن و با محدودیت حافظه و زمان اجرا میشن. هر اکستنشن قبل از لود شدن تأیید کاربر رو لازم داره.
با ابزار delegate_task کار به ایجنتهای دیگه مثل Claude Code، Pi و Codex از طریق ACP (یه پروتکل برای حرف زدن با ایجنتها روی stdio) سپرده میشه و نتیجهش نشون میده چه فایلهایی عوض شدن. ابزار run_command هم دستور شل رو با سقف ۲۰ ثانیه و ۶۴ کیلوبایت خروجی اجرا میکنه. نویسنده خودش قبول داره این ریسک بزرگیه: یه prompt injection تو یه صفحه یا صفحهٔ اشتراکی میتونه به ایجنتهایی برسه که به ایمیل و سیستم دسترسی دارن، و فعلاً هیچ محافظی براش نداره.
به گفتهٔ نویسنده، وب الان تو storage، WebMCP و پردازش مدیا خوب جواب میده، ولی سه چیز کم داره: یه پل امن به سیستمعامل که لازم نباشه هرکی daemon خودشو بسازه، یه راه برای اینکه صفحه بتونه کار رو به ایجنت دلخواه کاربر بسپاره، و مدلهای گفتاری real-time که لوکال اجرا بشن. کد پروژه روی GitHub هست و نویسنده میگه اجراش میتونه گرون باشه.
نکات کلیدی:
- Voicebox از Gemini-3.8-live، یه daemon محلی Node و یه صفحهٔ مرورگر ساخته شده.
- مینیاپها تو دو لایه iframe با sandbox و CSP بسته اجرا میشن و ابزارهاشون با WebMCP ثبت میشه.
- اکستنشنها JSON هستن روی شش عملیات آماده و کلیدهای API فقط تو daemon میمونن.
- کار از طریق ACP به Claude Code، Pi، Codex و Agy سپرده میشه.
- run_command سقف ۲۰ ثانیه و ۶۴ کیلوبایت داره ولی sandbox نیست و با دسترسی خود کاربر اجرا میشه.
- نویسنده هنوز هیچ محافظی جلوی prompt injection نداره.




