Koniec zabawy w audio. Claude odblokowuje pełną moc modeli w trybie głosowym

Przez ostatnie miesiące interfejs głosowy Claude’a przypominał dobrze zaprojektowaną atrapę. Choć użytkownicy widzieli różne opcje w menu, system po cichu kierował każdą rozmowę do najprostszego i najtańszego silnika Haiku. Anthropic w końcu zrywa z tą fasadą. Według odkryć serwisu TestingCatalog, firma przygotowuje się do wpięcia swoich najpotężniejszych jednostek — Sonnet oraz Opus — bezpośrednio w strumień audio.

To ważny moment, ponieważ aktualizacja sprawia, że Voice Mode przestaje być „uboższą” wersją czatu tekstowego. Użytkownicy zyskują teraz bezpośrednią kontrolę nad poziomem „thinking” (rozumowania) w trakcie mówienia. Nowinka nie jest jeszcze dostępna dla każdego — na razie pozostaje ukryta za tzw. feature flagą, co sugeruje, że inżynierowie testują stabilność najbardziej wymagających silników przed globalnym startem.

Architektura zamiast efektów specjalnych

Podejście Anthropic do syntezy mowy różni się od drogi, w którą brnie OpenAI. Podczas gdy konkurencja stawia na monolityczne modele multimodalne, twórcy Claude’a trzymają się modułowego potoku danych. Wykorzystują sprawdzoną technologię ElevenLabs do zamiany tekstu na mowę. Dynamika konwersacji pozostaje naturalna: system precyzyjnie wyłapuje pauzy i pozwala przerywać w pół zdania. Jak czytamy w dokumentacji Claude Help Center: „tryb głosowy pozwala na prowadzenie kompletnych rozmów mówionych z Claude’em”, co przy silniku klasy Opus nabiera nowego znaczenia.

Narzędzie dla wymagających

Uruchomienie Opus i Sonnet w trybie audio to coś więcej niż poprawa barwy głosu. To przede wszystkim otwarcie drzwi do funkcji takich jak „tool-use” czy błyskawiczna, skomplikowana analiza danych bez dotykania klawiatury. Programista czy analityk może teraz prowadzić złożony proces myślowy wspólnie z AI. Selekcja modeli sprawia, że „wybranie Opus lub Sonnet przekierowuje teraz rozmowy głosowe przez te modele, zamiast cichego powrotu do Haiku”. To kluczowe, gdy potrzebujemy logiki na najwyższym poziomie, a nie tylko szybkiej informacji o pogodzie.

Strategiczny minimalizm

Anthropic dawkuje moc obliczeniową ostrożnie, celując w serie 3.5 i 4. Choć obecnie system najlepiej sprawdza się w języku angielskim, nadchodząca szeroka dostępność potężniejszych modeli pokazuje, że firma przestała bać się kosztów operacyjnych związanych z obsługą audio przez najbardziej zasobożerne silniki. To dojrzała strategia. Zamiast budować medialny szum wokół emocjonalnych reakcji AI, Anthropic po prostu zamienia telefon w pełnoprawną stację roboczą sterowaną głosem.