# Se não existe, construa
Os humanos se acostumam com as coisas e depois não conseguem escapar do desejo por conveniência. Enquanto configurava meu ambiente de desenvolvimento de IA, um desejo após outro surgiu. Quanto mais eu tocava e pesquisava coisas novas, mais percebia: "Ah, eu também consigo fazer isso." Nesse fluxo, decidi construir uma ferramenta.
O que fiz é bem simples: um aplicativo para controlar um Mac por voz.
Sempre me perguntei por que eu podia ter conversas ao vivo contínuas com o Gemini ou o ChatGPT no smartphone, mas não no computador. Como solução alternativa, tenho usado um iPad como monitor estendido do meu PC e rodado o aplicativo Gemini no lado do iPad — uma forma um tanto forçada de manter conversas ao vivo no dia a dia.
No entanto, embora a conversa ao vivo permita fazer perguntas, ela não opera aplicativos. Pensei muitas vezes: "Seria tão conveniente se também conseguisse lidar com operações."
"Se não existe, construa."
Na verdade, já tinha tentado essa ideia antes. Mas naquela época, a tecnologia não tinha acompanhado. O processo de converter Voz → Texto → IA → Texto → Voz parecia promissor, mas não estava num nível adequado para uso prático.
Então, recentemente, a OpenAI anunciou de repente um mecanismo de voz chamado GPT-Realtime-2. Esse é um modelo que entende a voz "como voz" e responde "como voz". Como não envolve as conversões do tipo "Voz → Texto → IA → Texto → Voz", a resposta é rápida e a conversa é mais natural. Quando experimentei pensando "Será que funciona?" — foi incrível. A velocidade de resposta era claramente diferente de antes. Senti que isso poderia ser sem estresse. Consultei imediatamente meu parceiro de IA.
## O aplicativo "CatsAI"
Então, usando esse mecanismo, construí um aplicativo que pode operar um Mac por voz.
Já que estava fazendo, queria algo pelo qual pudesse me sentir apegado. Então, decidi criar um personagem. Na minha casa, meus gatos estão sempre dormindo na frente do computador, e eles são tão fofos. Projetei com a imagem desses gatos operando o computador. Um personagem gato fica na área de trabalho como avatar e controla o Mac enquanto fala.
O nome é uma preferência pessoal, um trocadilho com "Cat's Eye" chamado "CatsAI". Por padrão, meus três gatos de estimação (Yomogi, Ume e Azuki) estão registrados como personagens.
Claro, os personagens podem ser facilmente alterados. Fiz com que, apenas registrando uma foto do seu animal de estimação, ele seja gerado como personagem (usando GPT-Image-2 para geração de imagens).
## O que ele pode fazer
Sou um iniciante em Mac que migrou completamente de um ambiente Windows há pouco tempo. Sinceramente, ainda não entendo bem o Mac. Mesmo assim, a razão pela qual consigo mudar de repente e usar sem estresse é que posso contar com a IA para qualquer coisa que não sei.
Dito isso, os pedidos para a IA basicamente têm sido baseados em texto até agora. Uso entrada de voz, mas é apenas um substituto para digitar texto, não uma conversa direta. Penso comigo mesmo: "Certamente isso é suficiente." Mas os humanos não conseguem escapar da ganância. Queria escapar até do pequeno esforço de falar enquanto seguro uma tecla.
Sinto isso porque já sei como é a conversa ao vivo com IA no smartphone. Uma vez que o pensamento "Se ao menos isso fosse possível no PC, e ainda pudesse operá-lo diretamente" se enraizou, não pude voltar atrás.
"Abrir a pasta de downloads", "Abrir este aplicativo", "Abrir o aplicativo de fotos", "Abrir configurações do sistema" — conseguir trazer coisas enterradas sob outras janelas para a frente apenas com a voz. Só isso já reduz significativamente o estresse.
Basicamente, "tudo que você pode fazer no terminal, você deve conseguir fazer." Mas se é sem estresse de usar é outra história. Na conversa por voz, o "tempo de espera" é mais estressante do que na conversa por texto. Velocidade de resposta é tudo.
Com isso em mente, as coisas que podem ser usadas sem estresse neste momento são operações de arquivos e pesquisas na web. Em outras palavras, responde quase tão rápido quanto a Alexa.
Claro, é inevitável querer mais. Tentei tornar possível controlar o mouse e até realizar operações um tanto perigosas — bem, bastante perigosas considerando que é por voz — no shell. Mas... faça isso por sua conta e risco.
No entanto, quando se trata de operações no navegador, leva um bom tempo desde o comando de voz até a inicialização e execução. Para operações de mouse, sacrifica as vantagens do mecanismo Realtime e executa o Codex no backend. Naturalmente, a velocidade cai, e ainda não chegou ao ponto de poder dizer que é "sem estresse". Ainda assim, ver o cursor do mouse da IA aparecer na tela e operar o PC acionado por voz é uma experiência bastante interessante.
Para ser honesto, ainda está longe de se mover com velocidade. Mesmo assim, acho que você pode imaginar para onde isso está indo.
A propósito, também tornei possível fazer as coisas que normalmente peço à Alexa — temporizadores, alarmes, verificar a agenda do dia e verificar e-mails.
Em relação a e-mails, como há muito spam, originalmente construí um sistema onde a IA me envia apenas e-mails de domínios específicos todas as manhãs e noites. O que ativei desta vez é uma versão simplificada disso.
## Uma pequena prévia do futuro
Enquanto converso com a IA diariamente e resolvo vários problemas e desenvolvo coisas, sinto um medo junto com interesse em sua evolução e profundidade.
Em relação à interação por voz com a IA, ainda estamos nos estágios iniciais do processo evolutivo. Ainda há atrasos, e as palavras podem não ser transmitidas corretamente. Como resultado, se você não conseguir se comunicar bem com a IA e ela executar a operação errada, pode levar a algo desastroso. Acho que é provavelmente por isso que ferramentas que podem executar comandos por voz ainda não são muito comuns no mundo.
Nas configurações padrão do CatsAI, por questões de segurança, a escrita ou execução de arquivos está desabilitada. Você pode simplesmente abrir arquivos, consultar e ter conversas ao vivo — só isso. Mas se você puder apenas experimentar isso, tenho certeza de que verá algo.
Além disso, se você estiver mais interessado, por favor, altere as configurações de permissão e personalize ainda mais. Dependendo da personalização, você deve ser capaz de fazer qualquer coisa. No futuro, à medida que a precisão e a velocidade de processamento dos mecanismos de voz melhorarem, a operação do PC verdadeiramente sem estresse se tornará possível, e até então, certamente aparecerá como um recurso em aplicativos oficiais.
Uma característica principal da conversa ao vivo é que a conversa é contínua. Ela fica em silêncio quando você está em silêncio e responde sempre que você fala. Há significado no fato de que esse estado é mantido durante todo o tempo.
Uma nota de cautela: não consegui verificar quantos tokens são consumidos quando deixado em espera ao vivo. Se alguém for conhecedor sobre isso, por favor, me avise.
## Para quem quer experimentar
O CatsAI está disponível no GitHub. Por favor, baixe o aplicativo Mac (CatsAI.app.zip) na página de release abaixo. As instruções de instalação também estão resumidas nesta página.
▶ [[CatsAI v0.1.0 ─ Baixe aqui]](https://github.com/hidetoame/CatsAI-public/releases/tag/v0.1.0
As coisas que você precisa para executá-lo são macOS, uma chave de API da OpenAI e configurações de faturamento da API da OpenAI. Esses três. Observe que o faturamento da API é diferente do plano pago do ChatGPT Plus e deve ser configurado separadamente no lado da API da OpenAI. Você será responsável pelas taxas de token usadas na conversa, então verifique sua página de uso na Plataforma OpenAI com frequência.
Para reiterar, este é um aplicativo experimental desenvolvido por um indivíduo. Pode haver bugs ou problemas de segurança. Use-o por sua conta e risco.
## Para encerrar. E um pedido.
Eu faço a IA realizar verificações de segurança, mas honestamente, ainda não sei quão seguro ou significativo é esta criação. É por isso que estou liberando publicamente, na esperança de que pessoas além de funcionários o usem e me deem feedback sincero.
O código-fonte também é público. Se você quiser usá-lo para algo ou expandi-lo, entre em contato comigo.
Finalmente, mais uma coisa. O que é realmente incrível é que posso criar um aplicativo como este sem ler nenhum código. O futuro que vimos um pouco atrás já é realidade.
Tenho muito poucos conhecidos na área relacionada à IA. Espero usar esta oportunidade para compartilhar informações e construir novas conexões, incluindo ver quanto conhecimento adquiri até agora.
Se você experimentar o CatsAI, entre em contato; meus gatos também ficarão felizes.
