知识卡片：OpenAI为Codex上线实时语音功能

一句话结论：OpenAI 为桌面端 Codex 上线基于 GPT-Live 的实时语音控制功能，允许开发者离开键盘、通过语音指挥多个 Agent 并读取活动窗口画面，标志着“vibe coding”从自然语言写代码迈向将想法与画面直接交给 Agent 的新阶段。

事件概述

2026年7月，OpenAI 为 ChatGPT 桌面端（Codex 环境）上线了基于 GPT-Live 的实时语音功能。开发者佩戴耳机后即可脱离键盘和鼠标，通过语音指挥多个 Agent 执行代码任务，并随时查询进度、修改需求。同时新增 Appshots 功能，Codex 能够读取当前活动窗口的画面与文字，无需用户手动截图即可理解报错信息或界面状态，并直接进行修改。

方法/产品要点

实时语音控制：基于 GPT-Live 模型，支持在 Codex 中通过自然语言语音同时指挥多个 Agent，可离开电脑实时交互。
Appshots 功能：Codex 可直接捕获活动窗口的像素与文字内容，自动理解报错、UI 布局等，无需用户手动截图或描述。
Karpathy 观点：语音输入更适合复杂任务，能够低成本地倒出完整上下文；vibe coding 正在从“自然语言写代码”演进为“把想法与画面直接交给 Agent”。

主要结果或产业意义

大幅降低编程对键盘操作的依赖，使开发者在移动或非桌面场景下也能高效管理代码任务。
Appshots 将视觉感知能力直接融入编码 Agent，缩短了从“看到问题”到“修改代码”的反馈循环。
Karpathy 的评论暗示，语音+视觉的多模态 Agent 交互可能成为下一代编程范式的关键入口。

为什么重要

本条是对“编码智能体”和“视觉提示 Agent”类工具（如 Cursor Design Mode）的延续和升级。相比已有卡片中 Cursor 通过点击/绘制/语音直接在浏览器中修改 UI，OpenAI Codex 的实时语音和 Appshots 更侧重完整的开发环境控制，并能同时指挥多个 Agent，在复杂任务场景下更具生产力优势。

局限与不确定性

实时语音功能是否支持多语言（特别是中文）识别与交互？材料未明确说明。
Appshots 的窗口捕获精度和对复杂界面的理解能力有待验证（待核实）。
功能目前仅针对 ChatGPT 桌面端 Codex 环境推出，其他平台或工具的可用性未知（待核实）。
材料未提及是否有任何数据隐私或安全限制（例如语音录音是否本地处理）。

可用于图书/PPT/简报的角度

“语音编程”何时成为主流？ 对比 CLI 时代、IDE 时代、自然语言时代，语音+视觉 Agent 可能是下一跳点。
Agent 交互的多模态化：从文本聊天到语音+屏幕感知，如何改变程序员的工作流。
Vibe coding 的演进路径：Karpathy 提出的趋势——从写代码到说话，再到“直接把想法和画面交给 Agent”。

原始材料

来源：搜狐转载腾讯研究院AI速递
标题：OpenAI为Codex上线实时语音，写代码可脱离键盘操作
URL：https://m.sohu.com/a/1055048777_455313?scm=10001.325_13-325_13.0.0-0-0-0-0.5_1334&digest_item=4
英文标题：OpenAI Codex Real-time Voice
英文关键词：OpenAI, Codex, GPT-Live, real-time voice, Appshots, agent, vibe coding