/voice — modo de voz do Codex CLI, replicado no pi

Conversa por voz full-duplex com o agente, no mesmo desenho do /voice do openai/codex:

/voice
  → abre sessão realtime (mic aberto, VAD do servidor)
  → você fala; o modelo de voz responde falando
  → pedido de trabalho → background_agent → turno normal do agente pi
  → ao terminar, o resultado volta como [BACKEND] + function_call_output (ADR 0002)
  → o modelo de voz resume em 1–3 frases faladas

Demonstração

Assistir à demonstração (MP4, 20 segundos, sem áudio).

Instalação

Requer Linux com PulseAudio/PipeWire, pactl, parec, pacat e suporte ao module-echo-cancel WebRTC, além de uma credencial OpenAI com acesso à API Realtime.

pi install npm:pi-voice-realtime

Reinicie o pi ou execute /reload, depois /voice. Para atualizar uma instalação npm existente, execute pi update --extensions.

Uso

UI: widget acima do editor (voice ● listening / mic ▁ ▂ ▄ ▆ █ ▅ ▃ ▂ ▁ ▁ / f9 mute / /voice stop) + linha no rodapé nativo, que segue mostrando tokens/git/modelo. Fala consolidada aparece no histórico e entra no contexto do agente como mensagem [USER] sem disparar turno (sendMessage sem triggerTurn), como o Codex grava TranscriptSegment.

Credencial

O caminho normal é o login do próprio pi — a extensão lê a mesma credencial:

/login openai
/voice status   # credencial: ok

Precedência: OPENAI_API_KEY → PI_VOICE_API_KEY → entrada openai de ~/.pi/agent/auth.json (é onde o /login openai grava). As variáveis de ambiente servem para uso temporário ou CI.

Configuração

~/.pi/agent/voice.json (criado ao escolher a voz em /voice settings):

{ "voice": "marin", "model": "gpt-realtime-2.1-mini", "muteOnStart": false }

O caminho AEC atual usa os dispositivos padrão PulseAudio/PipeWire. Remova inputDevice/outputDevice se estiverem configurados: dispositivos ALSA explícitos são rejeitados para evitar que a reprodução contorne a referência de eco.

Áudio

PCM16LE mono 24 kHz, frames de 20 ms (960 bytes). O caminho ativo requer Linux, pactl, parec, pacat e module-echo-cancel com WebRTC AEC.

Cada sessão cria uma fonte tratada e um sink de referência com nomes únicos: parec lê a fonte com buffer de 30 ms para acompanhar a fala no medidor; pacat envia toda a resposta ao sink. O módulo trata o eco localmente e mantém full-duplex. Os dispositivos padrão globais não são alterados. Stop/falhas encerram os processos e solicitam o descarregamento do módulo. Se o AEC não carregar, a sessão não usa captura crua como fallback.

macOS/Windows não são suportados pelo caminho AEC atual. As funções antigas de seleção de backend permanecem em audio.ts, mas não são usadas por /voice.

Este backend usa AEC WebRTC do servidor de áudio; não é o mesmo helper Sonora do Codex. Criar as rotas não comprova redução de eco: a medição e a validação acústica no alto-falante ainda estão pendentes.

Fidelidade ao Codex (o que difere e por quê)

Transporte

import("ws") falha a partir do diretório da extensão, mas createRequire(process.argv[1])("ws") funciona: process.argv[1] é o entrypoint do pi, dono do node_modules onde ws vive. Com isso o transporte é o mesmo do Codex (headers). Se essa resolução falhar (execução fora do pi), a extensão cai no WebSocket global do Node — que não aceita headers — e então troca a API key por um client secret efêmero em subprotocolo. O modo em uso aparece em /voice status: transporte: ws|global-websocket · auth: header|ephemeral-subprotocol.

Dialeto do payload

Só o formato GA (session.update da V2 do Codex). O dialeto beta foi removido: a V2 não o usa. Erros de session.update são reportados, sem reenvio em outro formato.

OpenRouter não serve para o modo realtime

OpenRouter oferece /api/v1/audio/speech (TTS) e /api/v1/audio/transcriptions (STT) e gpt-audio via /chat/completions, mas não expõe endpoint de sessão duplex (/v1/realtime). Sem isso não há VAD contínuo, barge-in nem resposta falada em streaming. Usar OpenRouter implicaria um modo diferente (grava → transcreve → agente → TTS), que foi explicitamente descartado no escopo da v1.

O que é fiel ao Codex V2: resposta falada pelo próprio modelo, delegação como background_agent com envelope <realtime_delegation>, progresso e resultado como [BACKEND], function_call_output ao concluir e no steer, fila de um response.create por vez, barge-in com conversation.item.truncate, fala no histórico do agente, e remain_silent.

Testes

node --test --experimental-strip-types ~/.pi/agent/extensions/voice/tests/*.test.ts

A suíte cobre também lifecycle da sessão realtime, handshake GA e propriedade das rotas AEC (comandos de criação, uso do par e descarregamento idempotente). Esses testes não medem o desempenho acústico do cancelador.

Cobertura offline: parser de eventos GA com fixture, payload session.update V2 (VAD, ferramentas, instruções), envelope de delegação, fila de response.create, truncate no barge-in, ciclo do handoff com socket falso (tests/integration.test.ts), contexto de início e framing PCM.

Estado da validação

Comprovado: testes offline acima, conversa real com transcrição e resposta falada no pi, e validação visual do medidor. A captura real pelo caminho AEC entregou blocos a cada 27–32 ms após a inicialização, com o buffer configurado em 30 ms.

Ainda pendentes de validação E2E específica: qualidade acústica do cancelamento de eco, barge-in contra o servidor e o ciclo completo de delegação fala → tarefa do agente → resposta falada.

Limites conhecidos

• Device picker e captions persistentes ficaram para a v2 (decisão de escopo).
• Sem fase de reconexão: queda do WebSocket encerra a sessão (Codex: reconnect.rs).
• Sem transcript-tail-flush com turno: a fala já vai ao histórico na hora, então não sobra buffer ao encerrar.
• Sem chave OpenAI, /voice avisa e não abre sessão — não há fallback local.
• Reconexão automática não implementada: queda do WebSocket encerra a sessão.
• A sessão mantém o microfone aberto até /voice stop (igual ao Codex), o que consome áudio mesmo em silêncio.