# Nếu nó chưa tồn tại, hãy tự xây dựng nó
Con người luôn quen với mọi thứ và rồi không thể thoát khỏi ham muốn tiện lợi. Khi tôi thiết lập môi trường phát triển AI của mình, hết ham muốn này lại đến ham muốn khác. Càng tiếp xúc và nghiên cứu những điều mới, tôi càng nhận ra, "Ồ, mình cũng có thể làm được điều này." Trong dòng chảy đó, tôi quyết định xây dựng một công cụ.
Thứ tôi tạo ra khá đơn giản: một ứng dụng để điều khiển Mac bằng giọng nói.
Tôi luôn tự hỏi tại sao mình có thể trò chuyện trực tiếp liên tục với Gemini hoặc ChatGPT trên điện thoại thông minh, nhưng lại không thể trên máy tính. Để khắc phục, tôi đã sử dụng iPad như một màn hình mở rộng cho PC và chạy ứng dụng Gemini ở phía iPad – một cách khá gượng ép để duy trì các cuộc trò chuyện trực tiếp hàng ngày.
Tuy nhiên, mặc dù trò chuyện trực tiếp cho phép đặt câu hỏi, nhưng nó không vận hành được các ứng dụng. Tôi đã nghĩ nhiều lần, "Sẽ thật tiện lợi nếu nó cũng có thể xử lý các thao tác."
"Nếu nó chưa tồn tại, hãy tự xây dựng nó."
Thực ra, tôi đã từng thử ý tưởng này một lần trước đây. Nhưng lúc đó, công nghệ chưa theo kịp. Quá trình chuyển đổi Giọng nói -> Văn bản -> AI -> Văn bản -> Giọng nói có vẻ hứa hẹn, nhưng nó chưa ở mức phù hợp cho việc sử dụng thực tế.
Rồi gần đây, OpenAI bất ngờ công bố một công cụ giọng nói có tên là GPT-Realtime-2. Đây là một mô hình hiểu giọng nói "như giọng nói" và phản hồi "như giọng nói." Vì nó không liên quan đến các chuyển đổi như "Giọng nói -> Văn bản -> AI -> Văn bản -> Giọng nói," nên phản hồi nhanh và cuộc trò chuyện tự nhiên hơn. Khi tôi thử nghĩ, "Liệu cái này có hiệu quả không?" – thật tuyệt vời. Tốc độ phản hồi rõ ràng khác biệt so với trước đây. Tôi cảm thấy rằng điều này có thể không gây căng thẳng. Tôi ngay lập tức tham khảo ý kiến đối tác AI của mình.
## Ứng dụng "CatsAI"
Vì vậy, sử dụng công cụ này, tôi đã xây dựng một ứng dụng có thể vận hành Mac bằng giọng nói.
Vì tôi đang tạo ra nó, tôi muốn một thứ gì đó mà tôi có thể gắn bó. Vì vậy, tôi quyết định tạo một nhân vật. Ở nhà, những chú mèo của tôi luôn ngủ trước máy tính, và trông chúng thật dễ thương. Tôi đã thiết kế nó với hình ảnh những chú mèo đó vận hành máy tính. Một nhân vật mèo ở trên màn hình nền như một hình đại diện và điều khiển Mac trong khi nói chuyện.
Tên gọi là sở thích cá nhân, một cách chơi chữ của "Cat's Eye" gọi là "CatsAI." Theo mặc định, ba con mèo cưng của tôi (Yomogi, Ume và Azuki) được đăng ký làm nhân vật.
Tất nhiên, các nhân vật có thể dễ dàng thay đổi. Tôi đã làm cho nó chỉ cần đăng ký một bức ảnh thú cưng của bạn, nó sẽ được tạo ra như một nhân vật (sử dụng GPT-Image-2 để tạo hình ảnh).
## Nó có thể làm gì
Tôi là một người mới bắt đầu dùng Mac, vừa mới chuyển hoàn toàn từ môi trường Windows. Thành thật mà nói, tôi vẫn chưa hiểu rõ về Mac. Dù vậy, lý do tôi có thể chuyển đổi đột ngột và sử dụng nó mà không căng thẳng là vì tôi có thể dựa vào AI cho bất cứ điều gì tôi không biết.
Tuy nhiên, các yêu cầu gửi đến AI về cơ bản vẫn dựa trên văn bản cho đến nay. Tôi sử dụng đầu vào bằng giọng nói, nhưng nó chỉ là thay thế cho việc gõ văn bản, không phải là cuộc trò chuyện trực tiếp. Tôi tự nghĩ, "Chắc chắn điều đó là đủ." Nhưng con người không thể thoát khỏi lòng tham. Tôi muốn thoát khỏi cả những nỗ lực nhỏ nhặt khi phải nói trong khi giữ phím.
Tôi cảm thấy như vậy vì tôi đã biết cuộc trò chuyện AI trực tiếp trên điện thoại thông minh là như thế nào. Một khi suy nghĩ "Giá như điều đó có thể thực hiện trên PC và thậm chí có thể vận hành trực tiếp nó" đã bám rễ, tôi không thể quay lại.
"Mở thư mục tải về," "Mở ứng dụng này," "Mở ứng dụng ảnh," "Mở cài đặt hệ thống" – có thể đưa những thứ bị chôn vùi dưới các cửa sổ khác lên phía trước chỉ bằng giọng nói. Ngay cả điều này thôi cũng làm giảm đáng kể căng thẳng.
Về cơ bản, "bất cứ thứ gì bạn có thể làm trong terminal, bạn sẽ có thể làm." Nhưng liệu nó có thoải mái khi sử dụng hay không lại là chuyện khác. Trong hội thoại bằng giọng nói, "thời gian chờ" còn căng thẳng hơn trong hội thoại bằng văn bản. Tốc độ phản hồi là tất cả.
Với suy nghĩ đó, những thứ có thể sử dụng mà không căng thẳng ở thời điểm này là các thao tác tệp và tìm kiếm trên web. Nói cách khác, nó phản hồi nhanh như Alexa.
Tất nhiên, không thể tránh khỏi việc muốn nhiều hơn. Tôi đã cố gắng làm cho nó có thể điều khiển chuột và thậm chí thực hiện các thao tác shell có phần nguy hiểm – ừm, khá nguy hiểm vì nó bằng giọng nói –. Nhưng... hãy tự chịu rủi ro khi làm điều đó.
Tuy nhiên, khi nói đến các thao tác trình duyệt, mất khá nhiều thời gian từ lệnh thoại đến khởi động và thực thi. Đối với các thao tác chuột, nó hy sinh lợi thế của công cụ Realtime và chạy Codex ở hậu trường. Đương nhiên, tốc độ giảm và nó chưa đạt đến mức tôi có thể nói là "không căng thẳng." Dù vậy, nhìn con trỏ chuột AI xuất hiện trên màn hình và vận hành PC được kích hoạt bằng giọng nói là một trải nghiệm khá thú vị.
Thành thật mà nói, nó vẫn còn xa mới di chuyển với tốc độ nhanh. Dù vậy, tôi nghĩ bạn có thể tưởng tượng hướng đi này sẽ dẫn đến đâu.
Nhân tiện, tôi cũng đã làm cho nó có thể thực hiện những việc tôi thường nhờ Alexa – hẹn giờ, báo thức, kiểm tra lịch trình hôm nay và kiểm tra email.
Về email, vì có quá nhiều thư rác, ban đầu tôi đã xây dựng một hệ thống nơi AI gửi cho tôi chỉ những email từ các tên miền cụ thể mỗi sáng và tối. Những gì tôi kích hoạt lần này là phiên bản đơn giản hóa của hệ thống đó.
## Một cái nhìn nhỏ về tương lai
Khi tôi trò chuyện với AI hàng ngày và giải quyết các vấn đề khác nhau cũng như phát triển mọi thứ, tôi cảm thấy một nỗi sợ hãi cùng với sự thích thú trước sự tiến hóa và chiều sâu của nó.
Về tương tác giọng nói với AI, chúng ta vẫn đang ở giai đoạn đầu của quá trình tiến hóa. Vẫn còn độ trễ và từ ngữ có thể không được truyền tải chính xác. Kết quả là, nếu bạn không thể giao tiếp tốt với AI và nó thực hiện thao tác sai, điều đó có thể dẫn đến thảm họa. Tôi nghĩ đó có lẽ là lý do tại sao các công cụ có thể thực thi lệnh bằng giọng nói chưa phổ biến trên thế giới.
Trong cài đặt mặc định của CatsAI, vì lý do an toàn, việc ghi hoặc thực thi tệp bị vô hiệu hóa. Bạn có thể chỉ cần mở tệp, tham khảo và có các cuộc trò chuyện trực tiếp – chỉ vậy thôi. Nhưng nếu bạn chỉ trải nghiệm điều đó, tôi chắc chắn bạn sẽ thấy điều gì đó.
Ngoài ra, nếu bạn quan tâm hơn, hãy thay đổi cài đặt quyền hạn và tùy chỉnh thêm. Tùy thuộc vào tùy chỉnh, bạn sẽ có thể làm bất cứ điều gì. Trong tương lai, khi độ chính xác và tốc độ xử lý của các công cụ giọng nói được cải thiện, việc vận hành PC thực sự không căng thẳng sẽ trở nên khả thi, và khi đó, nó chắc chắn sẽ xuất hiện như một tính năng trong các ứng dụng chính thức.
Một tính năng chính của trò chuyện trực tiếp là cuộc trò chuyện liên tục. Nó im lặng khi bạn im lặng và trả lời bất cứ khi nào bạn nói. Có ý nghĩa trong việc duy trì trạng thái này trong suốt cuộc trò chuyện.
Một lưu ý: Tôi chưa thể xác minh có bao nhiêu token được tiêu thụ khi ở chế độ chờ trực tiếp. Nếu ai am hiểu về điều này, xin vui lòng cho tôi biết.
## Dành cho những ai muốn thử
CatsAI có sẵn trên GitHub. Vui lòng tải ứng dụng Mac (CatsAI.app.zip) từ trang phát hành bên dưới. Hướng dẫn cài đặt cũng được tóm tắt trên trang này.
▶ [[CatsAI v0.1.0 ─ Tải về tại đây]](https://github.com/hidetoame/CatsAI-public/releases/tag/v0.1.0
Những thứ bạn cần để chạy nó là macOS, khóa API OpenAI và cài đặt thanh toán API OpenAI. Ba thứ này. Xin lưu ý rằng thanh toán API khác với gói trả phí ChatGPT Plus và phải được thiết lập riêng ở phía OpenAI API. Bạn sẽ chịu trách nhiệm về phí token sử dụng trong cuộc trò chuyện, vì vậy hãy thường xuyên kiểm tra trang sử dụng của bạn trên Nền tảng OpenAI.
Nhắc lại, đây là ứng dụng thử nghiệm do một cá nhân phát triển. Có thể có lỗi hoặc vấn đề bảo mật. Hãy sử dụng nó với rủi ro của riêng bạn.
## Kết luận. Và một yêu cầu.
Tôi đã nhờ AI thực hiện kiểm tra bảo mật, nhưng thành thật mà nói, tôi vẫn chưa biết sản phẩm này an toàn hay có ý nghĩa như thế nào. Đó là lý do tại sao tôi công bố nó một cách công khai, hy vọng có những người ngoài nhân viên sử dụng nó và cho tôi phản hồi thẳng thắn.
Mã nguồn cũng được công khai. Nếu bạn muốn sử dụng nó cho việc gì đó hoặc mở rộng nó, xin vui lòng liên hệ với tôi.
Cuối cùng, một điều nữa. Điều thực sự đáng kinh ngạc là tôi có thể tạo ra một ứng dụng như thế này mà không cần đọc bất kỳ mã nào. Tương lai mà chúng ta đã thấy một chút trước đây giờ đã là hiện thực.
Tôi có rất ít người quen trong lĩnh vực liên quan đến AI. Tôi hy vọng nhân cơ hội này để chia sẻ thông tin và xây dựng các kết nối mới, bao gồm cả việc xem tôi đã tích lũy được bao nhiêu kiến thức cho đến nay.
Nếu bạn thử CatsAI, hãy liên hệ với tôi; những chú mèo của tôi cũng sẽ vui lắm.
