如果你一直在关注 Codex CLI 的更新，那你大概记得年初那个”按住空格说话”的实验功能——上线几周后就被撤掉了，当时很多人觉得可惜。现在，它回来了，而且不是以前那个半成品。
7 月 21 日，OpenAI 发布了 Codex CLI v0.145.0，其中最重磅的更新就是 Realtime V3 语音架构。这不是简单把之前那个按住空格录音的功能加回来，而是基于 OpenAI Realtime API 的全新架构。
从实验到正式版：Codex 语音的三段跳
Codex 的语音功能经历了一次完整的”推倒重来”：
- 2 月 23 日（v0.105.0）：按住空格键语音输入首次上线，但标注为”仍在开发中”，功能粗糙。
- 3 月 29 日（v0.118.0）：未完成的语音实现被整体移除，官方表示桌面端语音才是正途。
- 7 月 8 日：OpenAI 发布 GPT-Live，一个全双工连续音频模型，为 Codex 语音奠定底层基础。
- 7 月 21 日（v0.145.0）：Realtime V3 架构正式上线，基于 gpt-realtime-2.1 模型，语音成为成熟的生产级功能。
- 7 月 23 日：ChatGPT Desktop Voice 接入 Codex，GPT-Live 与 Codex Agent 打通。
从”按住空格说一句”到”全双工语音会话”，只用了五个月。
Realtime V3 有什么不一样？
V3 的核心变化不是”能说话”，而是架构上把语音融入了 Codex 的 Agent 循环。
1. 两种模式：对话 + 听写
V3 提供了两种语音模式：
- 对话模式（conversational）：全双工语音交互，你可以跟 Codex 对话讨论代码方案，它边听边理解边回应。适合调试、架构讨论、代码审查。
- 听写模式（transcription）：基于 Whisper 的语音转文字，你说需求，它转成文字执行。适合快速下指令、口述 commit message。
2. 无帧双向流（Frameless Bidi）
V2 的语音还是”你说完→模型想→输出”的回合制。V3 支持真正的全双工：你说话的同时模型就可以开始理解和生成回应，不需要等你说完一整句。这个体验更接近人与人之间的自然对话。
3. 语音嵌入 Agent 循环
这是 V3 架构上最有意思的地方。在 V2 中，语音是一个独立子系统——文字走 Responses API，语音走单独的 Realtime 连接，两套状态。V3 把语音统一到了标准的 Agent 循环里：语音输入 → Agent 处理（含工具调用）→ 语音输出，这一切在同一个会话管道里完成。
结果是：一个 MCP 工具可以返回音频数据，Codex 可以在工具调用之间用语音回复你，代码执行的输出可以包含音频产物。
4. 会话种子：让模型知道你在聊什么
V3 会话启动时，可以自动把当前文字对话的上下文”注入”到语音会话中。你不用重新解释一遍”我们刚才在修哪个 bug”，模型直接就知道。
怎么配置？
在 ~/.codex/config.toml 里加一段：
[realtime]
type = "conversational" # 或 "transcription"
voice = "alloy" # 可选 alloy, echo, shimmer 等
reasoning_effort = "low" # low | medium | high，影响延迟
[realtime.v3]
frameless_bidi = true # 开启无帧双向流
seed_with_history = true # 用文字上下文初始化语音会话
preserve_audio = true # 保留音频到会话历史如果你不同场景想用不同配置，Codex 还支持命名配置：
[profiles.voice-review]
model = "gpt-5.6-terra"
reasoning_effort = "medium"
[profiles.voice-review.realtime]
type = "conversational"
voice = "echo"用 codex --profile voice-review 启动，就能进入专门为代码审查优化的语音模式。
桌面端也打通了
如果你不用终端里的 Codex CLI，而是用 Codex Desktop，那语音体验更直接。7 月 23 日更新的 ChatGPT Desktop Voice（v26.715）把 GPT-Live 的语音能力直接接入了 Codex Desktop——你可以在桌面端直接语音指挥 Codex 干活，不用碰键盘。
不过要注意，年初那个”按住空格说话”的 TUI 内录音功能确实被移除了，在 Codex CLI 里，语音走的是 Realtime V3 通道，不是 TUI 里的快捷键录音。如果你还在找那个按住空格的功能，它已经不在了。
性能表现
v0.145.0 同时做了大量性能优化，确保语音会话不会拖垮终端渲染：
- 增量 Markdown 渲染——流式输出逐步渲染，不再每次重新绘制整个缓冲区
- 减少 TUI 重绘——消除流式输出中的冗余屏幕更新
- 命令输出截断——长命令输出在 TUI 中做上限处理，防止渲染卡顿
OpenAI 还报告称，7 月份 Realtime 语音模型的 p95 延迟降低了至少 25%，通过改进缓存实现。
语音编程的实用场景
目前最实际的用法集中在几个场景：
- 快速下指令：“帮我把 UserService 里的错误处理重构一下”——说话比打字快 3-4 倍
- 多 Agent 调度：同时跑几个 Codex 线程，用语音做分流和决策
- 调试对话：看到报错直接说”这个 null pointer 怎么回事”，不用切窗口打字
- 口述 commit：听写模式直接生成 commit message
老达点评
Codex 的语音功能这次回来，跟年初那个实验版完全是两回事。年初那个是”试试看能不能说话”，现在这个是”把语音变成 Agent 原生输入通道”。
技术上最值得关注的是 V3 把语音融进了 Agent 循环。这意味着语音不再是辅助功能，而是和文字同等级别的交互方式。语音输入 → Agent 处理 → 工具调用 → 语音输出，这个闭环打通了。
但实际使用上，我不认为语音会替代键盘。写代码需要精确，语音适合描述意图而不是敲具体代码。合理的组合是：语音做调度和讨论，键盘做精确操作。这不冲突。
对老达来说，最有吸引力的场景其实是”多 Agent 调度”——手机上对着 Codex 说一句”帮我把今天的文章发了”，然后它自己去完成发布流程。这才是语音在 AI 编码工具里的正确打开方式。
