Voice Coding mit KI heißt, einem Coding-Agenten deine Anweisungen zu sprechen und ihn den Code schreiben zu lassen, statt jeden Prompt zu tippen. Das funktioniert, weil gute Prompts lang sind: der Kontext, die Einschränkung, der Randfall, der dir gerade eingefallen ist. Das laut zu sagen dauert Sekunden. In AgentVera hat die Eingabe jedes Agenten einen Mikrofon-Button, der deine Sprache lokal mit Whisper transkribiert, den Text zum Korrigieren ins Feld legt und ihn sendet, wenn du bereit bist.
Dieser Beitrag behandelt, warum Sprache zur Arbeit mit Agenten passt, wie das Diktat in AgentVera funktioniert und welche Gewohnheiten gesprochene Prompts besser ankommen lassen.
Warum Sprache zu Coding-Agenten passt
Klassisches Voice Coding hieß, Syntax zu diktieren: „open paren, const, x, equals.“ Das hat sich für die meisten nie durchgesetzt. Coding-Agenten verändern die Aufgabe. Du tippst den Code nicht mehr; du beschreibst die Änderung, und Beschreiben ist genau das, was Sprache gut kann.
| Einen Prompt tippen | Einen Prompt sprechen | |
|---|---|---|
| Langer Kontext | Verführt dazu, ihn zu kürzen | Leicht einzubauen |
| Tempo | Deine Tippgeschwindigkeit | Meist schneller als Tippen |
| Hände | Auf der Tastatur | Frei zum Scrollen, Zeigen, Skizzieren |
| Präzision | Exakte Namen und Pfade | Namen brauchen evtl. eine kleine Korrektur |
| Am besten für | Kurze, exakte Befehle | Absichten erklären, laut reviewen |
Die Schwachstelle ist die Präzision. Spracherkennung kann einen Funktionsnamen oder Dateipfad falsch verstehen. Deshalb legt das Diktat in AgentVera den Text zuerst ins Feld, statt ihn sofort zu senden.
Wie das Diktat in AgentVera funktioniert
AgentVera ist eine Desktop-App für macOS, Windows und Linux, die Coding-Agenten-CLIs nebeneinander ausführt. Jeder Agent hat eine Eingabe (den „Composer“), das Eingabefeld unter seinem Terminal, und der Composer hat einen Mikrofon-Button mit dem Tooltip Dictate (local Whisper).
Schritte
- Klick auf den Mikrofon-Button im Composer eines Agenten.
- Sprich deinen Prompt.
- Klick erneut (Stop recording and transcribe). Der Button zeigt Transcribing…, solange er arbeitet.
- Der Text erscheint an deinem Cursor im Composer.
- Korrigiere falsch verstandene Namen oder Pfade und sende dann.
Hast du nichts gesagt, bekommst du „No speech detected.“, und es wird nichts eingefügt. Weil der Text dort landet, wo dein Cursor steht, kannst du den exakten Teil (etwa einen Dateipfad) tippen und den Rest drumherum sprechen.
Lokales Whisper, nichts geht an einen Server
Die Transkription läuft auf deinem eigenen Rechner mit whisper.cpp. Deine Aufnahme wird nirgends hochgeladen, und die temporäre Audiodatei wird nach der Transkription gelöscht. Nur der Text, den du sendest, erreicht den Agenten.
| Frage | Antwort |
|---|---|
| Engine | whisper.cpp (whisper-cli) auf deinem Rechner |
| Einrichtung | Die gepackte App bringt whisper-cli und das kleine Modell mit |
| Kein Modell gefunden | AgentVera bietet an, einmalig das Basis-Modell herunterzuladen, etwa 142 MB |
| Sprache | Die Oberflächensprache der App, Englisch oder Türkisch |
| Hardware | Nutzt Metal auf macOS; auf x64-Rechnern braucht der mitgelieferte Build eine CPU mit AVX2 |
| Preis | Teil des kostenlosen Plans |
Hast du whisper.cpp schon installiert und es liegt im PATH, kann AgentVera es nutzen. Sind sowohl ein kleines als auch ein Basis-Modell vorhanden, bevorzugt es das kleine, das genauer ist.
Funktioniert mit jedem Agenten
Der Mikrofon-Button sitzt im Composer, nicht in einem bestimmten CLI, deshalb funktioniert dasselbe Diktat für Claude Code, Codex, Gemini CLI und jeden anderen Agenten, den du ausführst. Die anderen Funktionen des Composers gelten weiter: Mit den Pfeiltasten holst du frühere Prompts zurück, Entwürfe bleiben erhalten, und du kannst einen Prompt einreihen, solange der Agent beschäftigt ist.
Ersteinrichtung und Fehlerbehebung
Beim ersten Klick auf das Mikrofon fragt dich dein Betriebssystem, ob AgentVera das Mikrofon nutzen darf. Erlaube es. Wird kein Sprachmodell gefunden, fragt AgentVera Download the speech model? und erklärt, dass das whisper.cpp-Basismodell (etwa 142 MB) im Datenordner von AgentVera abgelegt wird. Wähle Download model, und der Composer zeigt den Fortschritt als Prozentwert. Danach funktioniert das Diktat offline.
| Was du siehst | Was du tun kannst |
|---|---|
| Could not open the microphone | Erteile AgentVera in den Systemeinstellungen Zugriff auf das Mikrofon und versuche es erneut |
| No speech detected. | Prüfe das Eingabegerät, sprich etwas näher am Mikrofon und nimm erneut auf |
| whisper.cpp not found | Installiere außerhalb der gepackten App whisper.cpp: brew install whisper-cpp auf macOS, ein Release-Paket unter Windows, deinen Paketmanager unter Linux, mit whisper-cli im PATH |
| The recording is invalid or too long | Teile einen sehr langen Prompt in zwei Aufnahmen |
| Falsche Sprache im Text | Stelle die Oberflächensprache der App auf die Sprache um, die du sprichst |
Voice Coding vom Smartphone
Die mobile AgentVera-App für iOS und Android verbindet sich mit deinem Rechner, und ihre Chat-Ansicht hat ebenfalls ein Diktat: Du kannst bis zu 60 Sekunden sprechen. Das Audio wird auf deinem Computer im Arbeitsspeicher transkribiert, ohne auf die Platte geschrieben zu werden. Das ist praktisch, wenn ein Agent eine Frage stellt, während du nicht am Schreibtisch bist; die vollständige Fernsteuerung beschreibt die Claude-Code-App fürs Smartphone. Steuerst du Agenten stattdessen über Telegram, beachte, dass Sprachnachrichten dort nicht unterstützt werden; tippe deine Antwort. Mehr dazu in Claude Code über Telegram steuern.
So schreibst du Prompts per Sprache
Einen Prompt zu sprechen ist etwas anderes, als ihn zu tippen. Diese Gewohnheiten helfen:
- Sag zuerst das Ziel. „Ich möchte, dass das Anmeldeformular einen Hinweis zur Passwortstärke anzeigt.“ Dann die Details.
- Nenne den Ort. „In der Komponente der Anmeldeseite, unter dem Passwortfeld.“ Kommt es auf den genauen Dateinamen an, tippe ihn nach dem Diktieren in den Text.
- Füge die Einschränkung hinzu, die du zu tippen vergessen würdest. „Füge keine neue Abhängigkeit hinzu und behalte die bestehende Validierung.“
- Sag, wie man es prüft. „Führe die Tests für das Formular aus, wenn du fertig bist.“
- Lies vor dem Senden. Ein Blick fängt das falsch verstandene Wort.
Ein gesprochener Prompt wird oft länger und vollständiger als ein getippter, und genau das ist der Punkt: Agenten arbeiten besser mit Kontext. Wie man Vibe Coding betreibt hat mehr zu Prompts, die einen Agenten auf Kurs halten.
Gute Momente für Sprache
- Einen Diff prüfen. Scrolle durch die Änderungen und sag unterwegs, was zu korrigieren ist.
- Einen Bug erklären. Beschreibe, was du gesehen hast, was du erwartet hast und was du schon versucht hast.
- Planen. Sprich ein Feature durch und bitte den Agenten, es in Schritte zu zerlegen, bevor er Code schreibt.
- Lange Sitzungen. Gönne deinen Händen eine Tipp-Pause.
Wann du lieber tippst
- Exakte Bezeichner, Befehle und Pfade.
- Kurze Befehle wie
/compactoder eine Ein-Wort-Antwort. - Gemeinsam genutzte Räume, in denen lautes Sprechen unpassend ist.
Kurze Checkliste
- Der Mikrofon-Zugriff ist für AgentVera erteilt.
- Die Oberflächensprache entspricht der Sprache, die du sprichst.
- Das Sprachmodell ist heruntergeladen, oder das mitgelieferte ist vorhanden.
- Du liest den Text, bevor du ihn sendest.
Lade AgentVera herunter, um mit deinen Agenten zu sprechen, oder lies mehr auf der Seite zum Sprachdiktat.