fn
⌃
⌥ left
⌘
01 — Dictate
按住 ⌥ Left 听写
Notion、Cursor、微信、终端——哪里能输入就哪里能说。松开键自动识别，Gemini Flash 顺一遍口语，直接粘到光标位置。不切应用，不弹窗口。
v0.1 · Private Alpha
仅限 macOS 14+ · Apple Silicon
→
按住 ⌥ 说话，
按住 ⌥ 说话，
电脑替你跑完剩下的。
voice-ptt 是给 Claude Code 用户的 ambient 语音 OS——
你说一句，它抓屏、调 MCP、跨 Gmail / Calendar / Reminders 真做事。
本地跑，不上云，除了那一次 LLM 调用。
三个场景 · 三个按键
一个按键一种用法，
一个按键一种用法，
都不打断你手里的活。
1
"建个日历提醒明天 3 点开会并给张三发邮件"
✓
calendar.create · 明天 15:00 · 产品评审
✓
contacts.find · 张三 <zhang@...>
✓
gmail.draft · 主题：明天 3 点会议
↵
回车发送 · esc 丢弃
02 — Act
按住 ⌥ Right 对话
接 Claude Agent SDK + MCP。跨 Gmail / Calendar / Reminders / Linear 真建事件——不是"我帮你写段话"，是真的去按那个按钮。执行前一行日志，逐项给你看。
voice-ptt · ambient
看你在 Linear 上改了 3 个 bug 标题，要不要顺手把它们打包成一个 PR 描述发给 review 频道？
忽略
去做 ↵
基于过去 47 分钟本地屏幕记忆 · 不出设备
03 — Ambient
它主动在看，不主动在烦
每小时一次读屏，本地记下你在干什么。到某个节点主动弹一句"要不要顺手做 XX"——不接就默默记下，不催你第二遍。记忆永远在你这台机子上。
为什么现在做
Claude Code 把对话式编程搬到了每个开发者的桌上。
但我们还缺一个真正 ambient 的语音入口——不用打开一个"AI app"，不用先切到对话窗口，不用等它反应。
voice-ptt 的赌注是：下一代操作界面不是聊天框，是一个键。按住，说。松开，它已经做完了。剩下的交给肌肉记忆。
技术栈 · 不藏着
哪里跑在本地，
哪里跑在本地，
哪里调 API，一行一行列清楚。
ASR
豆包流式识别 · 低延迟、中英混说不掉字
Cloud
Text Cleanup
Gemini 2.5 Flash · 去嗯、去重复、保留术语
Cloud
Agent Loop
Claude Agent SDK · MCP · 持久连接，T2 首响应 <5s
Cloud
Screen Capture
macOS Accessibility API + Vision · 双路读屏，失败自动兜底
Local
Memory Store
SQLite + vec 索引 · 屏幕记忆只在本机
Local
Shell
Swift · 原生菜单栏 App · 单进程 ~40MB
Local
License
MIT · 代码开源，插件体系随后开放
OSS
Waitlist
先到先发邀请码。
Alpha 每周放 50 个名额。选一个你最想先用上的场景——我们按票数决定下一个迭代重点。
●
已加入 1,284 名开发者
收到了，你排在第 — 位
我们会往 — 发邀请码。
VPTT-—
FAQ
四个你肯定会问的。
不会。读屏的原始截图、OCR 结果、向量索引全部写进你本机的
~/Library/Application Support/voice-ptt，SQLite 文件你随时能删。只有在你按住按键、明确要 agent 做事时，相关上下文才会作为 prompt 的一部分发给 Claude。ASR 例外——语音流必须走豆包云端识别，但我们不留录音。
App 本身免费，代码 MIT。你自己接 Anthropic / 豆包 / Gemini 的 API key，账单你付，走你的配额。我们不做 usage-based 抽成，后面可能出一个"托管版"给不想自己配 key 的人，带一点月费，但核心功能永远免费开源。
Alpha 期间仓库会公开但不收外部 PR——先把架构稳住。Beta 转入正式开放贡献，MCP 插件体系同步放出。想先看代码的可以在 waitlist 备注里写
#源码早鸟，我们会给你开一个只读 preview。
暂时没有。屏幕感知和全局热键这套东西在 macOS 上成本最低，我们先把一端做扎实。Windows 在规划里但没排期，Linux 看社区意愿——如果有人想 fork 一个 x11/wayland 版，我们给架构支持。