Diktier-Tool für macOS: Prompts an Claude Code künftig per Tastendruck sprechen
Die Push-to-talk-Anwendung für macOS wandelt Gesprochenes per Tastendruck direkt in Text an der Cursorposition um. Sie ist für die Zusammenarbeit mit Coding-Agents ausgelegt und gibt Wörter exakt wieder, statt sie umzuformulieren oder zu beantworten.
TL;DR: voice-input ist Push-to-Talk-Diktierung für macOS. Einmal die rechte Command-Taste tippen, sprechen, nochmal tippen, und ein bis zwei Sekunden später wird der Text an der Cursorposition eingefügt. Es ist für die Zusammenarbeit mit Coding-Agents gebaut und folgt daher einer harten Regel: Aufschreiben, was gesagt wurde. Nie umschreiben, nie übersetzen, nie darauf antworten. MIT-Lizenz, Hammerspoon plus ein zsh-Skript.
Der Großteil meines Arbeitstags verbringt inzwischen mit dem Sprechen mit Claude Code: eine Änderung beschreiben, auf einen Bug hinweisen, nach dem Warum fragen. Das alles zu tippen ist langsam; es zu sagen ist schnell. Fertige Diktierlösungen sind mir dabei auf drei Arten im Weg gestanden:
Hier ist ein synthetischer Clip, den ich mit dem macOS-Befehl say erstellt und durch das Tool laufen lassen habe:
gesprochen: "Ähm, kannst du den, den Panel-Code refactoren, sodass er den neuen i18n-Helper verwendet, und dann die Tests ausführen? Noch nicht pushen." eingefügt: Kannst du den Panel-Code refactorieren, sodass er den neuen i18n-Helper verwendet, und dann die Tests ausführen? Noch nicht pushen. Enter fullscreen mode Exit fullscreen mode Das "Ähm" und das doppelte "den" sind verschwunden; die Anfrage bleibt eine Anfrage.
Mit dem Vokabular-Datei-Teil bin ich am zufriedensten, und ich pflege sie nicht von Hand. Da ich den ganzen Tag mit Claude Code spreche, versteht es meistens, was ich gemeint habe, und kann erkennen, welches Wort falsch verstanden wurde. Deshalb steht in meiner CLAUDE.md eine Regel wie diese:
## Falsch verstandene Wörter in meiner Diktierung Ich diktiere die meisten Nachrichten. Wenn du erkennst, dass ein Begriff falsch verstanden wurde, und dir den richtigen sicher bist, füge "falsch => richtig" zu ~/.config/voice-input/vocab.txt hinzu und erwähne es in einer Zeile am Ende deiner Antwort. Wenn die falsche Schreibweise ein häufiges Wort ist, füge umliegende Wörter hinzu, damit normale Sprache nicht umgeschrieben wird. Wenn du unsicher bist, frag nach. Enter fullscreen mode Exit fullscreen mode Im ersten Monat bekam meine Vokabular-Datei 108 Änderungen; 86 davon stammten auf diese Weise von Claude. Wenn ich das Wort das nächste Mal sage, ist das Transkript korrekt. Das ist der Loop in der unteren rechten Ecke des Diagramms.
Nach einem Monat: 1.872 Clips an 23 Tagen, etwa 13 Stunden Audio. Zum Listenpreis liegen die Kosten unter 2 Dollar (etwa 11 Yuan in der China-Region); meine tatsächliche Rechnung war null, weil in der China-Region jede Modellversion mit einem Neukunden-Kostenloses-Kontingent kommt und das Tool diese zuerst verbraucht. Mit aktivierter Option "stoppen, wenn aufgebraucht" in der Konsole führt ein erschöpftes Kontingent zu einem Fehler statt zu einer Abbuchung, und das nächste Modell übernimmt.
Das Tool funktioniert entweder mit einem Alibaba Cloud Model Studio Key (International- oder China-Region; stellt man Region auf Auto, erkennt es selbst, zu welcher der Key gehört) oder mit einem kostenlosen Gemini-Key. Die Benutzeroberfläche folgt der Sprache deines macOS, Englisch oder Chinesisch.
brew install --cask hammerspoon brew install ffmpeg jq git clone https://github.com/siyuanseever/voice-input ~/projects/voice-input ~/projects/voice-input/install.sh Enter fullscreen mode Exit fullscreen mode Danach Hammerspoon die Berechtigungen für Bedienungshilfen und Mikrofon geben, einen Key in den Einstellungen des Panels eintragen und die rechte Command-Taste tippen.
Bekannte Einschränkungen, vorab: Nur für macOS. Ich spreche überwiegend Chinesisch gemischt mit Englisch, daher wurde es damit auch am meisten genutzt; Englisch habe ich mit synthetischen Clips getestet. Der Gemini-Pfad hat keinen separaten Korrekturleseschritt, daher behält er gelegentlich ein Füllwort. Issues und PRs sind willkommen.
Automatisch übersetzt. Das Original auf Englisch ist unten aufklappbar.
Original (Englisch) anzeigen
TL;DR: voice-input is push-to-talk dictation for macOS. Tap right Command, speak, tap again, and a second or two later the text is pasted at your cursor. It is built for talking to coding agents, so it has one hard rule: write down what was said. Never rewrite it, never translate it, never answer it. MIT, Hammerspoon plus one zsh script.
Most of my working day is now spent talking to Claude Code: describing a change, pointing at a bug, asking why. Typing that is slow; saying it is fast. Off-the-shelf dictation got in the way in three ways:
Here is a synthetic clip I made with macOS say and ran through it:
spoken: "Um, can you refactor the, the panel code so that it uses the new i18n helper, and then run the tests? Don't push yet." pasted: Can you refactor the panel code so that it uses the new i18n helper and then run the tests? Don't push yet. Enter fullscreen mode Exit fullscreen mode The "um" and the repeated "the" are gone; the request is still a request.
The vocabulary file is the part I'm happiest with, and I don't maintain it by hand. Since I talk to Claude Code all day, it usually understands what I meant and can tell which word was misheard. So my CLAUDE.md has a rule like this:
## Misheard words in my dictation I dictate most messages. When you can tell a term was misheard and are sure of the right one, add "wrong => right" to ~/.config/voice-input/vocab.txt and mention it in one line at the end of your reply. If the wrong spelling is a common word, include surrounding words so normal speech isn't rewritten. If unsure, ask. Enter fullscreen mode Exit fullscreen mode In the first month my vocabulary file got 108 edits; 86 of them were made by Claude this way. The next time I say the word, the transcript is right. That is the loop in the bottom-right corner of the diagram.
After a month: 1,872 clips over 23 days, about 13 hours of audio. At list price that is under $2 (about ¥11 on the China region); my actual bill was zero, because on the China region each model version comes with a new-account free quota and the tool spends those first. With "stop when used up" turned on in the console, an exhausted quota returns an error instead of a charge, and the next model takes over.
The tool works with either an Alibaba Cloud Model Studio key (International or China region; set Region to Auto and it works out which one your key belongs to) or a free Gemini key. The UI follows your macOS language, English or Chinese.
brew install --cask hammerspoon brew install ffmpeg jq git clone https://github.com/siyuanseever/voice-input ~/projects/voice-input ~/projects/voice-input/install.sh Enter fullscreen mode Exit fullscreen mode Then give Hammerspoon Accessibility and Microphone permission, paste a key in the panel's Settings, and tap right Command.
Known limits, up front: macOS only. I mostly speak Chinese mixed with English, so that is what it has been used on most; English I tested with synthetic clips. The Gemini path has no separate proofreading step, so it occasionally keeps a filler word. Issues and PRs welcome.