在 Claude Code、Codex CLI 里用语音口述需求
用 Claude Code、Codex CLI 这类工具久了会有个感受：你花在终端里的时间，越来越少用于敲命令，越来越多用于描述需求。
输入的不再是 git rebase -i HEAD~3，而是一整段话——「这三个 commit 合成一个，message 写成重构了认证中间件，然后跑一遍测试确认没挂」。这种内容打字是慢的，说出来只要几秒。
问题在于，终端恰恰是 macOS 上语音输入最不好使的地方。
为什么口述 prompt 值得单独拿出来讲
和「用语音写文档」不一样，口述 prompt 有几个独特的地方：
长度不对称。 一条命令十几个字符，一个 prompt 常常一两百字。打字成本从「几乎没有」跳到「明显拖慢思路」，而这恰好是语音能拉开差距的区间。
容错空间更大。 发给 AI 的 prompt 不需要字字精确——有错别字、有口语化的停顿，模型照样能理解。相比之下，shell 命令差一个字符就执行失败。这意味着语音识别那点不完美，在 prompt 场景里基本可以吃掉。
但只在「说的时候」成立。 一旦你要念一个函数名、一段路径、一个变量，优势立刻反转——这些内容语音识别很难还原，打字反而更快。
所以真正可用的节奏是混合的：结构和意图靠说，标识符和路径靠打或靠补全。下面会具体讲。
几条可走的路
1. 工作在系统层、模拟键盘输入的工具
识别完成后，把文字作为键盘事件发给系统，当前聚焦的窗口收到的和你真敲键盘没区别。
这是终端场景里最通用的做法，因为它完全不依赖应用暴露任何文本接口——终端自绘字符网格、不走标准 macOS 文本控件，这正是系统听写在终端里经常失灵的原因（相关文章 里有详细解释）。模拟键盘输入绕开了整个问题。
代价是需要授予辅助功能和输入监听两项权限，权限本身能力不小，值得花一分钟确认工具的数据流向。
语音狗子 属于这一类：长按右 Option 说话，松开后文字落在光标处，终端、编辑器、浏览器一视同仁；识别在本机用 FunASR SenseVoice 完成，不联网、不需要 API Key。同类工具还有若干，选型时主要看三点：是否本地识别、是否全局可用、触发键会不会和你的快捷键冲突。
2. 用 AI 工具或终端自带的语音入口
不少命令行 AI 工具和终端模拟器已经在加自己的语音功能，具体哪家有、是什么形态、是否还在灰度，随版本变化很快，以官方文档和 changelog 为准。
能用就用——产品内置的入口通常和上下文结合得更好，也省掉权限配置。要留意的是结构性的那部分：入口绑在它自己的界面里，你换一个 CLI、切到另一个输入框、或者 SSH 到远程机器，就又回到起点；另外多数方案需要把音频传到服务端。
3. 转写到别处再粘贴
用任何听写工具在备忘录里说完，复制粘贴进终端。多两步操作，但零配置、零权限、零风险，偶尔用一次完全够。
如果你的终端常年开着「安全键盘输入」（下面会讲），这反而是唯一稳妥的办法。
4. 自己串一个
用快捷键触发录音，接 whisper.cpp 本地跑或云端 ASR，再用 pbcopy 或 AppleScript 送进当前窗口。灵活度最高，想接什么模型接什么模型。要自己处理的是：触发机制、音频切分、延迟、以及密钥管理（如果走云端）。
怎么选
| 适合 | 要注意 | |
|---|---|---|
| 系统层模拟键盘 | 终端为主、要全局可用、要 SSH 里也能说 | 需要两项系统权限 |
| 工具内置语音 | 主要就在那一个界面里用 | 出了那个界面没有；多数要上传音频 |
| 转写后粘贴 | 偶尔用；终端必须开安全键盘输入 | 多两步操作 |
| 自建脚本 | 想自己控制模型和流程 | 延迟、密钥、触发都要自己处理 |
口述 prompt 的实际写法
这部分比选工具更影响体验。
先说结构，再说细节。 「分三步：第一步把配置抽出来，第二步改调用方，第三步补测试」——这种带编号的表述说起来顺，模型理解起来也准。反过来一口气说一长串并列条件，自己说到一半就乱了。
不要念标识符。 中文 ASR 对驼峰命名、下划线、英文缩写的还原能力普遍有限，语音狗子用的 SenseVoice 模型在架构上不支持热词定制，这块是公开的短板。与其念 handleAuthCallback，不如说「处理登录回调那个函数」，让 AI 自己去代码里定位——它本来就擅长这个。
文件路径交给补全。 说完需求，手动敲 @ 让 CLI 自己补路径，比念「src 斜杠 components 斜杠 auth 点 tsx」可靠得多，也快得多。
说完检查再回车。 把「说」和「执行」分成两个动作，是值得长期保留的习惯。识别出错很正常，但终端里的东西一旦回车就收不回来。
短句分多次说。 与其憋一口气说 200 字，不如分三四次按住说完。每次松手都能看到结果，错了重说一句的成本远低于重说一整段。
两个会让你以为「工具坏了」的开关
安全键盘输入。 Terminal 和 iTerm2 都有这个选项，开启后 macOS 进入 Secure Event Input 状态，停止向第三方程序的事件监听（event tap）派发按键。后果是所有靠监听按键触发的工具——包括全部语音输入类——在那个终端聚焦时完全收不到你的按键，而且没有任何报错。Terminal 在「终端」菜单里取消勾选，iTerm2 在 Preferences → General。详细排查见相关文章。
系统输入音量。 macOS 的麦克风输入电平默认值可能很低，低到识别结果大面积为空。按住键有反应、但出来的文字是空的，先去「系统设置 → 声音 → 输入」看一眼电平，比读任何文档都快。
最后
语音输入不会让你写代码变快，它只在一个特定环节起作用：把脑子里已经成型的需求搬进输入框。这个环节在用 CLI AI 工具时出现得异常频繁，所以值得优化。
但它也不是全场景替代打字。命令、路径、标识符仍然该打；意图、约束、步骤拆解适合说。能分清楚这条界线，比用哪个工具更重要。