Simulación de voz
Dilo, y el router elige al agente
- TecladoEstás en el Inbox y la respuesta es 1, 2 o 3. Es más rápido que hablar.
- VozLa instrucción es una frase, o quieres señalar un botón de la pantalla sin describirlo.
El atajo y el router
La doble pulsación de ⌥ funciona aunque doki no esté al frente. Por eso pide Accesibilidad: no es para leer la pantalla entera por su cuenta, es para oír el atajo y, cuando hace falta, escribir en la ventana del agente.
El router no abre un chat genérico con un modelo de doki. Elige entre los agentes que ya corren. Si ninguno lleva esa tarea, puede empezar uno. El criterio es la tarea, no “el último que usé”.
Señalar en vez de describir
Marcas un rectángulo de la pantalla y dices qué debe pasar. El agente recibe la imagen y la frase. Sirve para “este botón se corta en el móvil” o “el vacío de esta lista no dice nada”, casos en los que el texto solo obliga al agente a adivinar.
La grabación de pantalla es el permiso que lo hace posible. Sin él, Talk sigue sirviendo para dictar. Sin micrófono, Talk sigue sirviendo para escribir.
Notas de voz dentro de un hilo
Además del router, cada conversación acepta una nota de voz. doki la transcribe y la manda como texto, para que el agente no dependa de un adjunto de audio. En el iPhone es el mismo gesto: dictas y la nota entra en el hilo que ya estaba esperando.
Eso está pensado para cuando ya sabes cuál es la sesión. El router es para cuando no quieres buscarla. Los dos caminos terminan en el mismo Inbox, descrito en la guía del Inbox.
Voz con varios agentes abiertos
El riesgo obvio es mandarle el mensaje al agente equivocado. El router usa el contexto de quién ya está en esa tarea. Si hay ambigüedad, conviene mirar el destino antes de que pasen los dos segundos, y cancelar con Esc si no es ese.
No sustituye el reparto de worktrees. Hablar no aísla los archivos. Si Claude y Codex editan el mismo árbol, la voz solo acelera el conflicto. El aislamiento está en varios agentes y en los worktrees.
Qué se graba
El dictado usa el reconocimiento de voz del Mac. La captura es la zona que marcas, no un video continuo del escritorio. Esas piezas viajan al agente como contexto de esa respuesta, igual que si las hubieras pegado en la terminal.
No se convierten en un archivo de vigilancia. Si el permiso de micrófono o de pantalla no está, la función correspondiente no arranca. Se conceden en el primer uso y se pueden quitar en Ajustes del sistema.
Preguntas frecuentes
¿doki escucha todo el tiempo?
No. Talk se abre con el atajo. Fuera de eso, el micrófono no está capturando para doki.
¿Funciona en español?
La app está en español y en inglés, y sigue el idioma del sistema. El dictado depende del reconocimiento de voz que tengas instalado en el Mac para ese idioma.
¿Puedo dictar desde el iPhone?
Sí. El hilo acepta notas de voz, y también puedes escribir o elegir una opción. El router de doble ⌥ es del Mac, porque el atajo vive en el teclado.
¿Y si el dictado se equivoca?
Tienes unos dos segundos para pulsar Esc. El mensaje no sale y puedes dictar de nuevo o escribirlo.
