# J’ai donné une voix à Claude Code. Voici ce qui s’est passé.

Claude Code lit son résumé à voix haute et prend votre réponse à la voix. Des hooks, une petite app macOS et Whisper en local : ni clé API, ni surcoût.

- Auteur : Laszlo Csiki (https://www.linkedin.com/in/laszlo-csiki-7ba454108/)
- Publié : 2026-09-29
- Genre : Vidéo
- Démo : https://x2labs.ai/demos/claude-code-voice?embed=1 (macOS uniquement · un enregistrement, pas une démo en direct)
- Page : https://x2labs.ai/fr/notes/claude-code-voice

**En bref**

- Les longues sessions Claude Code, c’est beaucoup de lecture. Je voulais entendre le résumé et répondre aux décisions à la voix, sans les mains.
- Ça repose sur des hooks, une bibliothèque shell, une petite app macOS native et un modèle Whisper local. Pas de clé API, pas de facture supplémentaire ; tout reste sur l’abonnement Claude.
- L’astuce qui garde le tout gratuit : Claude écrit lui-même la phrase à prononcer, marquée d’un 🔊. Aucun second modèle ne résume quoi que ce soit.
- C’est désormais un plugin Claude Code : une commande pour l’activer, une pour le configurer. Nous l’utilisons en interne chez X2 Mobile.

Cela fait des mois que je vis dans Claude Code ; c’est mon outil de tous les jours. Ça marche, mais c’est comme boire à une lance à incendie. Chaque tour est un mur de texte, et la plupart du temps, la seule chose dont j’ai besoin, c’est une phrase : a-t-il terminé, et attend-il une décision de ma part. Tout lire pour cette seule phrase, on s’en lasse vite.

Je me suis donc fixé trois contraintes et je me suis mis à construire. Sans les mains, parce que je veux pouvoir détourner les yeux de l’écran. Plus rapide que la lecture, sinon ça ne sert à rien. Et gratuit, bien sûr. Il fallait que ça tourne sur mon abonnement existant, pas sur des tokens API.

## Les impasses

Je vais être honnête, les trois premières idées n’ont pas survécu à l’après-midi.

**L’Agent SDK était la voie évidente, et la première que j’ai abandonnée.** Il donne accès à chaque événement et à un hook propre pour les décisions de l’utilisateur. Il facture aussi l’usage de l’API, et impossible d’y faire passer un abonnement. Contrainte numéro trois, envolée. Retour à la CLI.

**La dictée intégrée ne voyait pas mon micro.** macOS accorde l’accès au micro application par application, et mon terminal ne l’avait jamais demandé. Agaçant sur le moment, mais c’est ce qui a fait germer l’idée qui a tout réglé ensuite : le micro devait appartenir à une petite app séparée, pas au terminal.

**La voix hongroise de macOS, c’est un GPS de 2010.** Deux minutes d’écoute ont suffi pour comprendre que personne ne la garderait activée. Les voix neuronales de Microsoft via `edge-tts` ont réglé le problème. C’est gratuit, sans clé, avec une voix hongroise qui sonne comme une vraie personne. La voix anglaise, c’est Ryan, un Britannique posé.

**Corriger les transcriptions après coup avec Haiku fonctionnait, mais prenait dix secondes.** Un processus Claude headless démarre à chaque appel. Correct, mais trop lent pour une boucle push-to-talk ; c’est désactivé par défaut maintenant, et une indication de vocabulaire donnée à Whisper fait l’essentiel du travail gratuitement.

## Comment tout s’assemble

Quatre briques, aucun framework.

**Les hooks.** Claude Code déclenche un événement pour tout ce qui compte : une réponse terminée, une question sur le point d’être posée, une autorisation sur le point d’être demandée, l’utilisateur qui commence à taper. Chaque hook est un script shell.

**Une bibliothèque shell** s’occupe de la parole. Elle retire le markdown, réécrit le jargon anglais pour que la voix hongroise ne l’estropie pas (« pull request » devient « pul rikveszt »), découpe le texte en phrases, les synthétise en parallèle et les joue dans l’ordre. Une file d’attente garantit que deux sessions ne parlent jamais en même temps ; il n’y a que moi qui puisse interrompre.

**Une app Swift native** détient tout ce qui exige des autorisations système : le micro, une touche push-to-talk globale (maintenir Option+Espace), un orbe façon Siri dans le coin, qui devient violet quand Claude parle et bleu-vert quand il écoute, et une icône dans la barre des menus avec les interrupteurs. Elle détecte aussi quand Zoom ou Teams est en appel et se tait, puis me dit ce que j’ai manqué à la fin de l’appel.

![L’orbe vocal flottant, lumineux, qui change de couleur](https://x2labs.ai/img/orb.gif)

Violet quand Claude parle. Bleu-vert quand il écoute.

![La barre des menus de macOS, l’icône de l’app vocale qui ondule comme une onde sonore](https://x2labs.ai/img/menubar.gif)

État de la barre des menus pendant que Claude parle.

**Whisper en local** (`mlx-whisper` sur Apple Silicon) transforme ma voix en texte en environ 2–3 secondes. Rien ne quitte la machine, tout fonctionne hors ligne.

> Quand le mode vocal est activé, Claude termine chaque réponse par une ligne qui commence par 🔊 : le résumé à prononcer, écrit par le modèle qui sait déjà ce qui compte. Le hook se contente de lire cette ligne à voix haute. Pas de résumeur, pas de second appel, pas de latence.

La boucle mains libres repose sur la même idée, à l’envers. Claude pose une question, le hook la lit à voix haute, l’app enregistre jusqu’à ce que j’arrête de parler, Whisper transcrit, et la réponse retourne à la session qui a posé la question, pas à la fenêtre qui se trouve avoir le focus. « Firestore », « la deuxième » ou « utilisons plutôt MongoDB » fonctionnent tous.

## Ce qu’il fait aujourd’hui

| Domaine   | Fonctionnalité                                                                                                                                |
| --------- | --------------------------------------------------------------------------------------------------------------------------------------------- |
| Sortie    | Résumé parlé de chaque réponse, et de l’accusé de réception « je m’en occupe, d’abord je vais… » avant les appels d’outils                    |
| Décisions | Questions et demandes d’autorisation lues à voix haute, réponse à la voix, renvoyée à la session qui a demandé                                |
| Entrée    | Push-to-talk partout, Whisper local, texte saisi dans la fenêtre active                                                                       |
| Contexte  | Nom de la session annoncé quand plusieurs sessions parlent, silence pendant les appels Zoom/Teams, récapitulatif des messages manqués ensuite |
| Langue    | Hongrois et anglais, détectés automatiquement d’après ce que je dis ou tape, chacun avec sa propre voix et son dictionnaire de prononciation  |
| Interface | Orbe flottant, icône animée dans la barre des menus, une seule commande `/talk` pour tout                                                     |

## Mon avis

C’est la latence qui décide si vous le gardez activé. La première version attendait 8–10 secondes avant de parler ; j’étais déjà en train de lire l’écran. La synthèse phrase par phrase et un cache pour les formules fixes ont ramené le premier mot à environ une seconde. Plus lent que ça, et tout cela n’est que de la décoration.

Une interface vocale obéit à d’autres règles qu’une interface texte. Elle ne doit jamais se répéter, jamais se couper elle-même la parole, et toujours dire qui parle quand plusieurs sessions sont ouvertes. J’ai livré chacun de ces bugs avant de les corriger ; celui du « ne jamais s’interrompre » a nécessité une vraie file d’attente.

Les phrases courtes et mélangées font basculer la détection de langue. « ok, manual mode on, mehet » a été pris pour de l’anglais, et la demande d’autorisation suivante est arrivée en anglais avec les options « Yes, No ». Un seuil de confiance et une longueur minimale ont réglé le problème, mais je n’aurais jamais deviné celui-là à l’avance.

> Et la leçon la plus importante : maîtriser le micro. Dès que la petite app a détenu l’autorisation, toutes les bizarreries du terminal ont disparu.

Comprenez-moi bien, ce n’est pas encore un produit. Il ne fonctionne que sur macOS, le mot d’activation est un raccourci clavier, les tests de non-régression sont des scripts shell que je lance à la main avec de l’audio enregistré, et Warp ne me laisse pas mettre le focus sur le bon onglet lors du push-to-talk (iTerm2 le permettrait peut-être). Mais c’est la première version d’un outil que j’ai activé le matin et que je n’ai pas désactivé.

Publié d’abord sur [X](https://x.com/x2labs_ai/status/2104800490378629486) · 29 sept. 2026Écrit par Laszlo Csiki
