پرش به محتوای اصلی
پرش به محتوای مقاله

چگونه بازخورد صوتی محلی را به Claude Code اضافه کنیم؟

·۱۸ خرداد ۱۴۰۵۴ دقیقه مطالعه۱ بازدید
راهنما
چگونه بازخورد صوتی محلی را به Claude Code اضافه کنیم؟
اشتراک‌گذاری
واقعاً چه چیز جدید است؟

پیاده‌سازی بازخورد صوتی در یک ابزار CLI بدون استفاده از سرویس‌های TTS ابری و تنها با تکیه بر Shell Hooks و دستورات محلی OS.

اگر از خیره شدن به ترمینال هنگام اجرای کدهای هوش مصنوعی خسته شده‌اید، وقت آن است که گوش‌های خود را به کار بگیرید. تصور کنید می‌توانید از اتاق دیگری متوجه شوید که کد شما آماده است، بدون اینکه هر ۳۰ ثانیه یک‌بار به مانیتور چشم بدوزید.

بسیاری از عامل‌های (Agent) — مثل دستیاری که کارهای خسته‌کننده را برایتان انجام می‌دهد تا شما روی ایده‌ها تمرکز کنید — در محیط خط فرمان سکوت می‌کنند. این سکوت باعث می‌شود کاربر دائم در حال حدس زدن باشد که آیا فرآیند متوقف شده یا در حال پیشرفت است. در پوشش پیشین ما از Claude Code و مقایسه آن با رقبایی مثل Kimi Code CLI، دیدیم که سرعت پاسخ‌دهی در محیط ترمینال حیاتی است، اما نقص اصلی آن، وابستگی شدید به دید بصری است.

به گزارش وب‌سایت dev.to در ۶ ژوئن ۲۰۲۶، یک راهکار محلی برای حل این مشکل پیدا شده است. این سیستم از قلاب‌های شل (Shell Hooks) — شبیه زنگ‌های هشدار که با وقوع یک اتفاق، دستوری را فعال می‌کنند — در فایل تنظیمات ~/.claude/settings.json استفاده می‌کند. طبق مستندات این روش، دو قلاب اصلی تعریف می‌شوند:

  • اعلان (Notification): این قلاب با کمک ابزار jq پیام را استخراج کرده و به دستورات صوتی سیستم‌عامل مثل say در مک، spd-say در لینوکس یا دستورات PowerShell در ویندوز می‌فرستد.
  • توقف (Stop): زمانی فعال می‌شود که عامل پاسخ را تمام کند. این بخش متن را تحلیل کرده و برای جلوگیری از خواندن گزارش‌های طولانی و خسته‌کننده، متن را به ۶۰۰ کاراکتر محدود می‌کند.

این تغییر، «مالیات توجه» را از دوش توسعه‌دهنده برمی‌دارد. با انتقال سیگنال از چشم به گوش، شما کنترل وضعیت را حفظ می‌کنید. البته باید بدانید که این یک «ترفند شخصی» است و نه یک API رسمی؛ بنابراین اگر ساختار داخلی پیام‌های مدل تغییر کند، احتمالاً فیلترهای jq از کار می‌افتند.

گام بعدی شما

  • ابتدا قلاب Notification را فعال کنید تا پایداری سیستم را بسنجید.
  • محدودیت ۶۰۰ کاراکتر را بر اساس سرعت خواندن سیستم خود تنظیم کنید.
  • بررسی کنید که آیا ابزار jq روی سیستم شما نصب است یا خیر.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است؛ برای درک اینکه چرا سرعت استنتاج در مدل‌های جدید جهش کرده، به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.

چرا این موضوع مهم است؟

این رویکرد تجربه کاربری را از «نظارت فعال» به «اطلاع‌رسانی غیرفعال» تغییر می‌دهد. تکیه بر ابزارهای محلی سیستم‌عامل به‌جای APIهای ابری، سرعت پاسخ را افزایش و هزینه را به صفر می‌رساند.

تأثیر برای ایران

به‌دلیل محلی بودن این ترفند و استفاده از دستورات داخلی سیستم‌عامل، هیچ محدودیتی برای توسعه‌دهندگان ایرانی در اجرای آن وجود ندارد.

·نگاه ما
تحریریه دات‌هوش

تحلیل ما نشان می‌دهد که این ترفند، گامی در جهت بازگشت به رابط‌های کاربر صوتی (VUI) برای کاهش بار شناختی است. در دنیایی که مدل‌های زبانی هر لحظه پیچیده‌تر می‌شوند، توسعه‌دهندگان به دنبال راه‌هایی هستند تا بدون قطع کردن جریان تمرکز (Flow)، از وضعیت ابزارهای خود آگاه بمانند.

منابع

این گزارش با خط‌لولهٔ خودکار دات‌هوش از منابع معتبر جهانی تدوین و زیر نظر تحریریه منتشر شده است. روش کار ما

موضوع‌ها

گفتگو

پنج‌شنبه‌های هوش‌محور

بسته‌ی هفتگی دات‌هوش

۵ خبر، ۲ ابزار، ۱ پرامپت در هر شماره. به‌زودی راه‌اندازی می‌شود — هر پنج‌شنبه صبح.

خبر کلیدی
ابزار کاربردی
پرامپت حرفه‌ای
تحلیل پژوهش
به‌زودی
زاویه‌ی ایرانی
به‌زودی
تمرین این هفته
به‌زودی

راهنماهای دات‌هوش

راهنماهای کاربردیِ دات‌هوش برای کار با هوش مصنوعی — از همین‌جا شروع کنید:

دات‌هوش

راهنمای فارسی هوش مصنوعی — با نگاه به ایران

اخبار روزانه، معرفی ابزارها و مدل‌ها، و آموزشِ کار با هوش مصنوعی؛ همیشه با این پرسش که از ایران چه چیزی کار می‌کند و چه چیزی نه.