ให้เสียงกับเอเจนต์เขียนโค้ดของคุณ: Vext ในฐานะเซิร์ฟเวอร์ MCP สำหรับ Claude Code, Cursor และ Codex

เซิร์ฟเวอร์ MCP ส่วนใหญ่ให้เอเจนต์เข้าถึงสิ่งที่อยู่ระยะไกล ไม่ว่าจะเป็นฐานข้อมูล API หรือระบบติดตามงาน แต่เซิร์ฟเวอร์ MCP สำหรับเสียงของ Vext ทำตรงกันข้าม มันให้เอเจนต์เข้าถึงไมโครโฟน ข้อความถอดความจากการประชุม และประวัติการพิมพ์ด้วยเสียงของคุณ โดยไม่มีอะไรออกไปจากเครื่องเลย

ค่าเริ่มต้นคือปิดไว้ การเปิดใช้งานหมายความว่ากระบวนการใดก็ตามบน Mac ของคุณที่มีโทเค็นจะสั่งงานแอปได้ นี่จึงเป็นการตัดสินใจที่คุณต้องเลือกเอง ไม่ใช่สิ่งที่เราตั้งค่าไว้ให้ บทความนี้จะพูดถึงสิ่งที่เซิร์ฟเวอร์เปิดให้ใช้ วิธีเชื่อมต่อไคลเอนต์ยอดนิยม และรูปแบบการทำงานไม่กี่อย่างที่คุ้มค่าจริง ๆ

มันคืออะไร

Vext รันเซิร์ฟเวอร์ HTTP ในเครื่องที่พูดโปรโตคอล Streamable HTTP MCP มีสามข้อที่กำหนดจุดยืนด้านความปลอดภัยของมัน

ลูปแบ็กเท่านั้น มันผูกกับ 127.0.0.1 จึงไม่ออกสู่เครือข่ายเลย
โทเค็นแบบ Bearer ทุกคำขอต้องมีเฮดเดอร์ Authorization: Bearer โทเค็นถูกสร้างขึ้นเมื่ออ่านครั้งแรก และสร้างใหม่ได้จากการตั้งค่า
ปิดไว้เป็นค่าเริ่มต้น จะไม่มีอะไรคอยรับคำขอจนกว่าคุณจะเปิดใช้งาน

พอร์ตเริ่มต้นคือ 58398 ซึ่งเป็นเลขสูงและยังไม่ถูกจอง เลือกไว้เพื่อไม่ให้ชนกับเซิร์ฟเวอร์สำหรับพัฒนาหรือปลายทาง MCP ของแอปอื่นในตระกูล Muvon ส่วนพาธคือ /mcp รวมกันเป็นปลายทางเต็ม http://127.0.0.1:58398/mcp

นี่คือเซิร์ฟเวอร์ตัวเดียวกับที่มาพร้อมงานข้อความถอดความแบบสดใน Vext 1.4.0

การเพิ่ม MCP server ให้ Claude Code และไคลเอนต์อื่น ๆ

หน้าการตั้งค่าจะแสดงสคริปต์สำหรับคัดลอกของแต่ละไคลเอนต์ พร้อมโทเค็นจริงของคุณใส่ไว้ให้แล้ว รูปแบบมีดังนี้

Claude Code ใช้คำสั่ง claude mcp add คำสั่งเดียว

claude mcp add --transport http vext http://127.0.0.1:58398/mcp --header "Authorization: Bearer YOUR_TOKEN"

Cursor, Windsurf, Claude Desktop ใช้ JSON แบบ mcpServers มาตรฐาน

{
  "mcpServers": {
    "vext": {
      "url": "http://127.0.0.1:58398/mcp",
      "headers": { "Authorization": "Bearer YOUR_TOKEN" }
    }
  }
}

Codex ใส่การตั้งค่า Codex MCP server ไว้ในไฟล์ ~/.codex/config.toml

[mcp_servers.vext]
url = "http://127.0.0.1:58398/mcp"
http_headers = { Authorization = "Bearer YOUR_TOKEN" }

OpenCode ใช้ไฟล์ opencode.json ในโปรเจกต์หรือใน ~/.config/opencode/

{
  "mcp": {
    "vext": {
      "type": "remote",
      "url": "http://127.0.0.1:58398/mcp",
      "enabled": true,
      "headers": { "Authorization": "Bearer YOUR_TOKEN" }
    }
  }
}

Octomind เป็นข้อยกเว้นเดียว เพราะเซิร์ฟเวอร์ HTTP ของมันส่งเฮดเดอร์ที่กำหนดเองไม่ได้ โทเค็นจึงต้องไปกับสตริงคำค้นแทน ซึ่งปลอดภัยในกรณีนี้เพราะปลายทางเข้าถึงได้ทางลูปแบ็กเท่านั้น หน้าการตั้งค่าจะแยกรูปแบบนี้ไว้ให้ต่างหาก

เครื่องมือทั้ง 38 ตัว แบ่งเป็นกลุ่ม

แทนที่จะไล่รายละเอียดทุกตัว นี่คือภาพรวมของสิ่งที่เอเจนต์ทำได้

การพิมพ์ด้วยเสียงแบบสด ได้แก่ start_dictation, stop_dictation, cancel_dictation เอเจนต์เริ่มฟัง คุณพูด แล้วมันจึงไปเก็บข้อความถอดความมา โดยผ่านการขัดเกลาและสไตล์ที่คุณใช้อยู่แล้ว ตัว stop_dictation รับพารามิเตอร์ paste=true เพื่อวางข้อความที่ตำแหน่งเคอร์เซอร์เหมือนการพิมพ์ด้วยเสียงตามปกติ

พิมพ์แทนคุณ paste_text แทรกข้อความที่เคอร์เซอร์ของแอปที่อยู่หน้าสุด แล้วคืนค่าคลิปบอร์ดเดิมให้หลังเสร็จ

ถอดความจากไฟล์ transcribe_file รันโมเดลเสียงในเครื่องกับไฟล์ wav, m4a, mp3 หรือ aiff บนดิสก์ แล้วคืนทั้งข้อความดิบและข้อความที่ขัดเกลาแล้ว

การประชุม ได้แก่ start_meeting, stop_meeting, list_meetings, get_meeting, rename_meeting, delete_meeting, summarize_meeting, export_meeting การประชุมจะบันทึกทั้งไมโครโฟนและเสียงระบบพร้อมป้ายชื่อผู้พูด ข้อความถอดความพร้อมใช้ทันที ส่วนการแยกแยะผู้พูดให้ละเอียดขึ้นและบทสรุปจะทำต่อในเบื้องหลัง get_meeting จึงเป็นจุดที่ควรกลับมาเรียกซ้ำ การส่งออกรองรับ markdown, txt, srt หรือ vtt และคืนพาธของไฟล์ให้

ผู้พูด ได้แก่ list_speakers, rename_speaker, merge_speakers, delete_speaker, label_meeting_speaker โปรไฟล์เสียงจะคงอยู่ข้ามการประชุม ดังนั้นตั้งชื่อใครไว้ครั้งเดียวก็ใช้ได้ต่อไป

บันทึกเสียงและประวัติ ได้แก่ start_note, stop_note, list_notes, get_note, delete_note รวมถึง list_dictations, get_dictation, delete_dictation, retry_dictation บันทึกเสียงจะถูกเก็บไว้ในแอปแทนที่จะวางลงในหน้าจอ

การตั้งค่า ได้แก่ get_settings, set_settings, list_microphones, set_microphone, list_app_profiles, set_app_profile, remove_app_profile, list_vocabulary, add_vocabulary, remove_vocabulary, get_status

เครื่องมือที่อ่านอย่างเดียวถูกทำเครื่องหมายไว้ชัดเจน ส่วนเครื่องมือที่ลบข้อมูล เช่น delete_note และ delete_dictation ถูกทำเครื่องหมายว่าเป็นการทำลายข้อมูล ไคลเอนต์ที่เขียนมาดีจึงกั้นให้ต้องยืนยันก่อนได้

มันมีประโยชน์จริงตรงไหน

รายการเครื่องมือเขียนง่ายแต่ทำให้คนสนใจยาก มีสามรูปแบบการทำงานที่คุ้มกับการตั้งค่านี้

1. คุยกับเอเจนต์โดยไม่ต้องกดปุ่มลัดวุ่นวาย สั่งให้ Claude Code เริ่มรับเสียง แล้วพูดความต้องการของคุณสองนาที จากนั้นปล่อยให้มันไปดึงข้อความถอดความเอง คุณไม่ต้องแตะคีย์บอร์ดเลย และเอเจนต์เป็นฝ่ายกำหนดจังหวะ มันเริ่มฟังได้ทันทีหลังถามคำถามคุณจบ นี่คือส่วนขยายที่เป็นธรรมชาติของ อินพุตเสียงสำหรับ Claude Code

2. จากการประชุมสู่คอมมิต หลังการประชุมวางแผน ให้สั่งว่า "อ่านการประชุมล่าสุดของฉัน ดึงงานที่มอบหมายให้ฉันออกมา แล้วเปิดอิชชูให้ด้วย" ตัว get_meeting จะคืนข้อความถอดความพร้อมชื่อผู้พูดและเวลากำกับ รวมถึงบทสรุป เอเจนต์จึงมีบริบทจริงว่าใครรับปากอะไรไว้ และเสียงทั้งหมดนั้นไม่เคยออกจาก Mac ของคุณ

3. สอนระบบรู้จำเสียงจากโค้ดเบส add_vocabulary รับคู่ของ "ได้ยินเป็น" กับ "ให้แทนที่ด้วย" ลองให้เอเจนต์ไล่อ่านที่เก็บโค้ดของคุณ แล้วเพิ่มชื่อโมดูล ตัวระบุแปลก ๆ และชื่อไลบรารีที่ใช้ ลงในคลังคำศัพท์ทีเดียวทั้งชุด ความแม่นยำของการพิมพ์ด้วยเสียงกับศัพท์เฉพาะของโปรเจกต์จะดีขึ้นทันที โดยคุณไม่ต้องพิมพ์รายการเหล่านั้นเองสักรายการ

จุดที่มันไม่ได้ช่วย

พูดกันตามจริง เซิร์ฟเวอร์นี้ไม่ได้ทำให้เอเจนต์เขียนโค้ดเก่งขึ้น และการบอกโค้ดทีละตัวอักษรก็ยังแย่กว่าการพิมพ์อยู่ดี เสียงเหมาะกับงานร้อยแก้ว การอธิบายเจตนา และความเห็นตอนรีวิว ซึ่งเป็นข้อโต้แย้งเดียวกับใน การเขียนโค้ดด้วยเสียงกับเอเจนต์ AI

และมีข้อควรระวังด้านความปลอดภัยที่ควรพูดให้ชัด การเปิดเซิร์ฟเวอร์หมายความว่ากระบวนการใดก็ตามในเครื่องที่ถือโทเค็นอยู่ สามารถเปิดไมโครโฟนของคุณและวางข้อความลงในแอปที่อยู่หน้าสุดได้ นั่นคือความสามารถที่มีน้ำหนักมาก จึงเป็นเหตุผลที่ฟีเจอร์นี้ส่งมาในสถานะปิด เป็นเหตุผลที่ต้องมีโทเค็น และเป็นเหตุผลที่การสร้างโทเค็นใหม่ทำได้ด้วยคลิกเดียว ถ้าคุณใช้เครื่องร่วมกับคนอื่นหรือรันเครื่องมือในเครื่องที่ไม่น่าไว้ใจ ควรคิดให้ดีก่อนเปิด

เริ่มต้นใช้งาน

การตั้งค่า MCP อยู่ใน Vext ที่ Settings → General → MCP server for AI agents ประกอบด้วยสวิตช์เปิดปิด พอร์ต โทเค็น และสคริปต์สำหรับแต่ละไคลเอนต์ที่ใส่โทเค็นไว้ให้แล้ว

brew install muvon/tap/vext

Vext ราคา 49 ดอลลาร์จ่ายครั้งเดียว มีให้ทดลอง 100 ครั้ง ใช้ได้บน macOS 14 ขึ้นไปที่ใช้ Apple Silicon การถอดความและการเกลาข้อความทำงานในเครื่อง เซิร์ฟเวอร์ MCP ก็อยู่ในเครื่องเช่นกัน วงจรทั้งหมดตั้งแต่ไมโครโฟน โมเดล ข้อความถอดความ ไปจนถึงเอเจนต์ ล้วนอยู่บนเครื่องของคุณ