Video ukazuje nový hlasový režim (voice mode) v aplikaci Codex od OpenAI, který umožňuje mluvit přímo s kódovacími agenty — zadávat jim úkoly hlasem, ptát se na stav běžících sessions a sledovat práci agenta z mobilního telefonu. Filip Oborník demonstruje propojení MacBooku s mobilní aplikací ChatGPT přes remote připojení a testuje reálné use cases včetně ovládání více sessions najednou. Funkce je funkční, ale zatím nedotažená — chybí mute tlačítko v základním rozhraní a přepínání mezi voice modem a aktivní session není plynulé.
Voice mode v Codexu není klasické diktování — jde o skutečný hlasový kanál mezi uživatelem a kódovacím agentem, který umí procházet sessions, zjišťovat jejich stav a zadávat do nich příkazy.
Mobilní aplikace ChatGPT se připojí k běžícímu Codexu přes remote připojení (QR kód) a umožní ovládat sessions na notebooku odkudkoliv — například z auta.
Agent zvládne z hlasového příkazu najít konkrétní session, spustit aplikaci, pořídit screenshot a poslat ho zpět do chatu — bez manuální interakce s notebookem.
Hlavní slabiny aktuální implementace: chybí mute tlačítko během agentovy práce, voice mode nelze snadno reaktivovat po vypnutí a routing příkazů mezi voice modem a konkrétní session je nespolehlivý.
Voice mode funguje i v ChatGPT Work (ne jen v Codexu), takže použití není omezeno pouze na kódovací workflow.
Computer use (ovládání počítače hlasem přes agenta) Filip označuje za slibný use case, ale zatím funguje pouze na Apple Silicon Macích — Intel procesory nejsou podporovány.
Historie chatu se neukládá. Po opuštění stránky bude smazána.
Filip Oborník ve videu představuje funkci, kterou sám označuje za začátek nového způsobu ovládání AI agentů — hlasový režim (voice mode) integrovaný přímo do Codexu od OpenAI. Nejde o klasické diktování textu, které v aplikaci existovalo už dřív, ale o plnohodnotný hlasový kanál, přes který můžete s kódovacím agentem skutečně komunikovat v reálném čase.
Praktická ukázka začíná jednoduchým dotazem na stav dvou existujících sessions — Minecraft klonu a 3D modelu pizzy v Blenderu. Agent sessions sám dohledá, shrne jejich stav a okamžitě reaguje na navazující požadavek: vytvoř webovou aplikaci, kde si půjde modelem pizzy otáčet. Celý příkaz je zadán hlasem, agent ho zpracuje a zadání pošle do správné session bez jakéhokoliv klikání.
Druhá část videa ukazuje propojení s mobilní aplikací ChatGPT přes funkci remote. Po naskenování QR kódu se telefon připojí k Codexu běžícímu na notebooku a zobrazí seznam aktivních sessions. Z telefonu pak Filip hlasově zadává agentovi, aby našel aplikaci vizualizující vesmírný odpad, spustil ji, přepnul na aktuální čas a vyfiltroval pouze aktivní družice — a pořídil screenshot. Agent prochází historií sessions, spouští Playwright testy v prohlížeči a po sérii schválení příkazů skutečně doručí výsledný screenshot přímo do chatu.
Filip otevřeně pojmenovává slabiny současné implementace. Chybí mute tlačítko — když agent mluví nebo pracuje, nelze mikrofon jednoduše ztlumit. Po vypnutí voice modu ho nelze okamžitě znovu zapnout. A příkazy zadané hlasem někdy putují do špatné session nebo do nového chatu místo do té rozpracované. Celý proces je podle jeho slov "krkolomný", ale zároveň výrazně dál než předchozí improvizovaná řešení.
Use cases, které Filip označuje za reálně použitelné už teď: dohledávání informací v aplikacích přes computer use (například konkrétní zpráva v Discordu), přehled o stavu kódovacích sessions a přirozené hlasové zadávání úkolů při pohybu — třeba v autě. Voice mode je dostupný i v ChatGPT Work, tedy nejen pro vývojáře. Filip avizuje samostatné video zaměřené čistě na computer use, jakmile otestuje dostatek konkrétních use cases na podporovaném hardwaru.