# Wenn es nicht existiert, bau es einfach
Menschen gewöhnen sich an Dinge und können dem Verlangen nach Bequemlichkeit nicht entkommen. Als ich meine KI-Entwicklungsumgebung einrichtete, kamen Wunsch um Wunsch auf. Je mehr ich Neues anfasste und erforschte, desto mehr wurde mir klar: "Oh, das kann ich auch." In diesem Flow beschloss ich, ein Tool zu bauen.
Was ich gemacht habe, ist recht einfach: eine App, um einen Mac per Sprache zu steuern.
Ich habe mich immer gefragt, warum ich auf einem Smartphone durchgehend Live-Gespräche mit Gemini oder ChatGPT führen kann, aber nicht auf einem Computer. Als Workaround habe ich ein iPad als erweiterten Bildschirm für meinen PC genutzt und die Gemini-App auf der iPad-Seite laufen lassen – eine etwas erzwungene Methode, um täglich Live-Gespräche zu führen.
Live-Gespräche ermöglichen zwar Fragen, aber sie bedienen keine Apps. Ich habe oft gedacht: "Es wäre so praktisch, wenn es auch Operationen ausführen könnte."
"Wenn es nicht existiert, bau es einfach."
Eigentlich hatte ich diese Idee schon einmal ausprobiert. Aber damals war die Technologie noch nicht so weit. Der Prozess von Sprache -> Text -> KI -> Text -> Sprache fühlte sich vielversprechend an, war aber nicht auf einem Niveau, das für den praktischen Einsatz geeignet war.
Dann kündigte OpenAI vor Kurzem plötzlich eine Sprach-Engine namens GPT-Realtime-2 an. Dies ist ein Modell, das Sprache "als Sprache" versteht und "als Sprache" antwortet. Da es nicht die Umwandlungen "Sprache -> Text -> KI -> Text -> Sprache" durchläuft, ist die Antwort schnell und das Gespräch natürlicher. Als ich es mit dem Gedanken "Könnte das funktionieren?" ausprobierte – es war erstaunlich. Die Antwortgeschwindigkeit war deutlich anders als zuvor. Ich hatte das Gefühl, dass dies stressfrei sein könnte. Ich konsultierte sofort meinen KI-Partner.
## Die "CatsAI" App
Also habe ich mit dieser Engine eine App gebaut, die einen Mac per Sprache bedienen kann.
Da ich sie bereits baute, wollte ich etwas, zu dem ich eine Bindung aufbauen könnte. Also beschloss ich, einen Charakter zu erschaffen. Zu Hause schlafen meine Katzen immer vor dem Computer und sehen so süß aus. Ich habe es mit dem Bild dieser Katzen designt, die den Computer bedienen. Ein Katzen-Charakter bleibt als Avatar auf dem Desktop und steuert den Mac, während er spricht.
Der Name ist eine persönliche Vorliebe, ein Wortspiel mit "Cat's Eye", genannt "CatsAI". Standardmäßig sind meine drei Haustierkatzen (Yomogi, Ume und Azuki) als Charaktere registriert.
Natürlich können Charaktere einfach geändert werden. Ich habe es so gemacht, dass allein durch das Registrieren eines Fotos Ihres Haustieres ein Charakter generiert wird (unter Verwendung von GPT-Image-2 zur Bildgenerierung).
## Was es kann
Ich bin ein Mac-Anfänger, der erst vor Kurzem vollständig von einer Windows-Umgebung migriert ist. Ehrlich gesagt verstehe ich den Mac noch nicht gut. Doch der Grund, warum ich trotzdem wechseln und ihn stressfrei nutzen kann, ist, dass ich mich bei allem, was ich nicht weiß, auf KI verlassen kann.
Allerdings waren Anfragen an KI bisher im Grunde textbasiert. Ich nutze Spracheingabe, aber sie ist nur ein Ersatz für das Tippen von Text, kein direktes Gespräch. Ich denke mir: "Sicherlich reicht das." Aber der Mensch kann der Gier nicht entkommen. Ich wollte selbst der kleinen Mühe entkommen, beim Sprechen eine Taste gedrückt zu halten.
Ich fühle so, weil ich bereits weiß, wie Live-KI-Gespräche auf einem Smartphone sind. Sobald der Gedanke "Wenn das nur auf einem PC möglich wäre und es sogar direkt bedienen könnte" Wurzeln geschlagen hatte, gab es kein Zurück mehr.
"Öffne den Downloads-Ordner", "Öffne diese App", "Öffne die Fotos-App", "Öffne die Systemeinstellungen" – Dinge, die unter anderen Fenstern versteckt sind, einfach mit der Stimme nach vorne zu holen. Selbst das allein reduziert den Stress erheblich.
Im Grunde "alles, was man im Terminal machen kann, sollte möglich sein." Aber ob es stressfrei zu nutzen ist, ist eine andere Geschichte. In Sprachgesprächen ist die "Wartezeit" stressiger als in Textgesprächen. Antwortgeschwindigkeit ist alles.
Vor diesem Hintergrund sind Dinge, die aktuell stressfrei nutzbar sind, Dateioperationen und Websuchen. Anders ausgedrückt: Es antwortet etwa so schnell wie Alexa.
Natürlich ist es unvermeidlich, mehr zu wollen. Ich habe versucht, die Steuerung der Maus und sogar etwas gefährliche – nun ja, ziemlich gefährliche, wenn man bedenkt, dass es per Sprache ist – Shell-Operationen zu ermöglichen. Aber ... bitte tun Sie das auf eigenes Risiko.
Bei Browser-Operationen dauert es jedoch eine beträchtliche Zeit vom Sprachbefehl bis zum Start und zur Ausführung. Bei Mausoperationen opfert es die Vorteile der Realtime-Engine und lässt Codex im Backend laufen. Natürlich sinkt die Geschwindigkeit, und es hat noch nicht den Punkt erreicht, an dem ich sagen kann, es sei "stressfrei". Dennoch ist es eine recht interessante Erfahrung, den KI-Mauszeiger auf dem Bildschirm erscheinen zu sehen und den PC, ausgelöst durch Sprache, bedienen zu sehen.
Um ehrlich zu sein, ist es noch weit davon entfernt, sich mit einer gewissen Geschwindigkeit zu bewegen. Trotzdem können Sie sich vorstellen, wohin die Reise geht.
Übrigens habe ich auch die Dinge ermöglicht, die ich normalerweise Alexa machen lasse – Timer, Alarme, Überprüfung des heutigen Terminkalenders und Überprüfung von E-Mails.
Was E-Mails betrifft, da es zu viel Spam gibt, habe ich ursprünglich ein System gebaut, bei dem die KI mir morgens und abends nur E-Mails von bestimmten Domains sendet. Was ich jetzt ermöglicht habe, ist eine vereinfachte Version davon.
## Ein kleiner Vorgeschmack auf die Zukunft
Während ich täglich mit KI spreche und verschiedene Probleme löse und Dinge entwickle, verspüre ich neben dem Interesse an ihrer Entwicklung und Tiefe auch ein Gefühl der Angst.
Was die Sprachinteraktion mit KI betrifft, befinden wir uns noch in den frühen Phasen des Evolutionsprozesses. Es gibt immer noch Verzögerungen, und Wörter werden möglicherweise nicht korrekt übermittelt. Wenn man nicht gut mit der KI kommunizieren kann und sie die falsche Operation ausführt, könnte das zu einer Katastrophe führen. Ich denke, das ist wahrscheinlich der Grund, warum Tools, die Befehle per Sprache ausführen können, in der Welt noch nicht sehr verbreitet sind.
In den Standardeinstellungen von CatsAI ist aus Sicherheitsgründen das Schreiben oder Ausführen von Dateien deaktiviert. Sie können einfach Dateien öffnen, konsultieren und Live-Gespräche führen – das ist alles. Aber wenn Sie das nur erleben, werden Sie sicherlich etwas sehen.
Darüber hinaus, wenn Sie mehr interessiert sind, ändern Sie bitte die Berechtigungseinstellungen und passen Sie es weiter an. Je nach Anpassung sollten Sie alles tun können. In Zukunft, wenn die Genauigkeit und Verarbeitungsgeschwindigkeit von Sprach-Engines verbessert werden, wird eine wirklich stressfreie PC-Bedienung möglich sein, und dann wird es sicherlich als Funktion in offiziellen Apps erscheinen.
Ein Hauptmerkmal von Live-Gesprächen ist, dass das Gespräch kontinuierlich ist. Es bleibt still, wenn Sie still sind, und antwortet, wann immer Sie sprechen. Es hat Bedeutung, dass dieser Zustand durchgehend aufrechterhalten wird.
Ein Hinweis zur Vorsicht: Ich konnte nicht überprüfen, wie viele Tokens verbraucht werden, wenn man im Live-Standby-Modus ist. Wenn jemand sachkundig ist, lassen Sie es mich bitte wissen.
## Für diejenigen, die es ausprobieren möchten
CatsAI ist auf GitHub verfügbar. Bitte laden Sie die Mac-App (CatsAI.app.zip) von der folgenden Release-Seite herunter. Installationsanweisungen sind ebenfalls auf dieser Seite zusammengefasst.
▶ [[CatsAI v0.1.0 ─ Hier herunterladen]](https://github.com/hidetoame/CatsAI-public/releases/tag/v0.1.0
Was Sie zum Ausführen benötigen, sind macOS, ein OpenAI-API-Schlüssel und die OpenAI-API-Abrechnungseinstellungen. Diese drei. Bitte beachten Sie, dass die API-Abrechnung sich vom kostenpflichtigen ChatGPT Plus-Plan unterscheidet und separat auf der OpenAI-API-Seite eingerichtet werden muss. Sie sind für die während des Gesprächs verwendeten Token-Gebühren verantwortlich. Bitte überprüfen Sie daher häufig Ihre Nutzungsseite auf der OpenAI-Plattform.
Um es zu wiederholen: Dies ist eine experimentelle App, die von einer Einzelperson entwickelt wurde. Es kann Fehler oder Sicherheitsprobleme geben. Bitte verwenden Sie es auf eigenes Risiko.
## Zum Abschluss. Und eine Bitte.
Ich lasse KI Sicherheitsüberprüfungen durchführen, aber ehrlich gesagt weiß ich noch nicht, wie sicher oder sinnvoll diese Kreation ist. Deshalb veröffentliche ich sie öffentlich, in der Hoffnung, dass andere als Angestellte sie nutzen und mir ehrliches Feedback geben.
Der Quellcode ist ebenfalls öffentlich. Wenn Sie es für etwas nutzen oder erweitern möchten, kontaktieren Sie mich bitte.
Schließlich noch eines. Was wirklich erstaunlich ist: Ich kann eine solche App erstellen, ohne überhaupt Code zu lesen. Die Zukunft, die wir vor kurzem gesehen haben, ist bereits Realität.
Ich habe sehr wenige Bekannte im Bereich KI. Ich hoffe, diese Gelegenheit zu nutzen, um Informationen auszutauschen und neue Verbindungen zu knüpfen, auch um zu sehen, wie viel Wissen ich bisher erworben habe.
Wenn Sie CatsAI ausprobieren, kontaktieren Sie mich bitte; meine Katzen werden sich auch freuen.
