不用打字了，直接跟 Cursor 的 Agent 说话：实时语音聊天来了

2026 年 11 月 6 日，Cursor 上线了 Voice Chat with Agents：现在可以直接跟 Agent 打一场实时语音电话，口述要改什么、问它做到哪了，边通话边让它写代码。入口覆盖 Agents Window、IDE、网页端和 iOS 上的 Cursor。

先把时间线摆出来，因为它本身就是新闻的一部分：前一天，11 月 5 日，Cursor 刚发了 Live Apps——说一句话，云端 Agent 把应用建好、上线、给你链接。今天，11 月 6 日，轮到指挥本身：不用打字了，开口说就行。两天两件事，拼在一起的意思很清楚：Cursor 想把 IDE 从“打字指挥”变成“开口指挥”。

这不是 Cursor 第一次碰语音。IDE 里早就有一个听写功能，以前叫 Voice Mode，现在叫 Dictation：你说话，它把话转成文字填进输入框，等你检查完再点发送。那是“语音输入”。这次的 Voice Chat 不一样：它是双向对话，Agent 会开口回答你，代码改动直接在通话里交办，不用你动手发消息。一个是帮你打字，一个是陪你说话还顺手干活。两者的差别，后面还要单独拆开说，因为官方文档花了一整节强调：这是两个功能，别搞混。

一、这次到底发了什么

官方 Changelog 只有短短几段，意思却很直白：实时双向语音通话。你对着 Agent 说话，它听、它回，还把编码工作转交给聊天里的那个 Agent。Agent 干活的时候，通话不用挂，你可以继续聊：问一个 diff 里改了什么、问一次运行跑得怎么样、翻一翻之前跟这个 Agent 的消息和通话记录，或者在有多个 worker 的 Project 里换一个 worker 继续聊。

覆盖面是这条新闻的第一个看点。语音聊天不是只给桌面端加的小功能，它同时进了四个地方：Agents Window、IDE、网页端、iOS 上的 Cursor。也就是说，不管你是在桌前写代码、在浏览器里看云端 Agent 的进度，还是在路上拿着手机，都能开口跟同一个 Agent 说话。Cursor 的 Agent 体系这两年一直在往“云端常驻”走——Agent 不在你的电脑上跑，而是在云端接着干——语音聊天补上了最后一块：人不在电脑前的时候，怎么跟它保持联系。

第二个看点是分工。语音这层由 Grok Voice 负责：听你说话、开口回答，音色可以选，官方点名的有 Ara、Eve、Leo、Rex、Sal 等多个。而真正写代码的 Agent，用的还是你自己给它选的模型，不会因为开了语音就换成别的模型。听和说归 Grok Voice，写代码归你选的模型——这个分工官方在 Changelog 和文档里都写明了，值得记住，因为它决定了这场通话的上限：语音再自然，代码质量还是取决于你选的编码模型。

二、怎么开始一场通话

开启方式藏着一个小细节：波形按钮只在两个条件同时满足时出现——Agent 处于空闲状态，而且聊天输入框是空的。它就待在平时“发送”按钮的位置，旁边是听写的麦克风按钮。官方文档的步骤写得很具体：先打开一个 Agent 对话，在 Agents Window 里可以是任意对话，包括新建的；在 IDE 里，对话至少要有一条消息；清空输入框；点标着 Start voice chat 的波形按钮；系统问你要麦克风权限时点允许，通话就接通了。你不开口也没关系，等几秒，Agent 会先跟你打个招呼。

手机上的路子更短。在 iOS 上，你可以直接说“Hey Siri, call Cursor”，用 Siri 拉起一场跟新 Agent 的通话，条件是 iPhone 处于解锁状态。通话接通后，如果系统通话界面显示不出来，锁屏上会出现一个 Live Activity，Dynamic Island 里也能看到，静音和挂断都能在锁屏上直接操作，不用解锁进 App。Cursor 显然是把这场通话当成“一通电话”来做的，而不是 App 里的一个悬浮窗。

有两件事是开始之前就要知道的。第一，通话需要登录 Cursor 账号，用 API key 登录的会话发起不了语音聊天——按钮你看得到，但通话起不来，文档里专门写了这一条。第二，麦克风权限被系统或浏览器拒过的话，Cursor 会提示“Microphone blocked”，得去系统设置里重新打开，再回来重拨。

三、通话里能干什么，不能干什么

通话接通之后，真正干活的其实是两个人：一个是跟你说话的语音 Agent，一个是聊天里写代码的编码 Agent。你说“把登录页的按钮改成深色”，语音 Agent 听懂之后，把任务转交给编码 Agent，自己继续跟你聊。编码 Agent 在后台跑，你不用等它，也不用挂电话。

官方文档列了通话中语音 Agent 能做的五件事：转交工作，把任务或后续要求发给当前对话里的编码 Agent；回答关于你工作的问题，读 diff、看运行状态、看 Agent 在忙什么，告诉你改了什么、还有什么在跑——这些查询是只读的，它不会顺手帮你改东西；搜这个 Agent 的历史，翻之前的消息和通话；有多个 worker 的 Project 里，在 worker 之间切换通话；还有，你说一句“完事了”，它就帮你挂断。

通话记录不会只留在声音里。文档说，通话的文字记录会出现在聊天里，云端 Agent 的记录还会在通话进行时同步到你的其他设备上——除非你开了隐私模式。这意味着通话不是“说完就散”：你事后回聊天记录，能看到刚才口头交代了什么、Agent 答应了什么。对于习惯用文字留痕的开发者来说，这一点很关键：语音再方便，改代码的决定最后还是要落在文字上才好追溯。

还有一个容易被忽略的细节：编码 Agent 自己也会“说话”。它干活的时候会报简短的进度，干完了给一句简短的小结。官方的说法是，你通常听到的是一句短更新，而不是完整的书面回复。完整的回复还留在聊天里，你随时可以回去看全文。换句话说，语音播报是摘要，不是正文。这个取舍贯穿了整个功能的设计，后面讲观点的时候还要再展开。

四、Grok Voice 负责说话，编码模型不变

语音这层交给 Grok Voice，是这次发布里最值得琢磨的一笔。Cursor 在 2026 年 6 月被 xAI 收购的消息传出后，外界一直在看这两家怎么拼到一起：Grok 的模型进 Cursor 做编码是一步，Grok 的语音能力进 Cursor 做对话是另一步。11 月 6 日这一步，拼的是后者。

具体分工是这样的：Grok Voice 只管听和说。你选的音色——Ara、Eve、Leo、Rex、Sal 这些——都是 Grok Voice 的声音；你可以在设置里换默认音色，也可以在通话中途换，换完会记在这个 Agent 身上，下次跟它通话还是这个声音。而写代码的 Agent 不受影响，它继续用你给它选的模型。这个拆分很干净：声音好不好听、反应快不快，是 Grok Voice 的事；代码写得对不对、改得好不好，是你选的模型的事。

隐私模式下的处理也值得提一句。官方 Changelog 和文档都写了：隐私模式打开时，语音聊天零数据留存。通话记录不同步到其他设备——文档明确说了这一点。Cursor 的隐私模式本来就是给不希望数据被留存的用户准备的，语音聊天进来之后，这条线没有断。对在意这件事的人来说，这是一个可以直接验证的承诺：开隐私模式，打一通电话，记录不留、不传。

不过也有没说的。官方这次没有提语音通话的价格和套餐变化，也没有公布每日通话次数上限的具体数字——文档只说“有每日上限，到了会告诉你什么时候能再打”。通话本身要不要额外花钱、算不算进已有的用量额度，Changelog 和文档里都没写。读者在上手之前，应该先有这个预期：免费额度和上限是多少，要等 Cursor 后续公布，或者自己在用的时候看提示。

五、别跟听写搞混：这是两个功能

Cursor 的语音功能现在是两条线，官方文档用一张对照表把它们分得清清楚楚。听写（Dictation）是你说话，它转成文字填进输入框，发送之前你自己检查、自己点发送；语音聊天（Voice Chat）是你说话，Agent 开口回答你，任务直接转交给编码 Agent。按钮也不一样：语音聊天是波形按钮，标着 Start voice chat；听写是麦克风按钮，在 Agents Window 里叫 Start voice input，在 IDE 里叫 Voice Input，在 iOS 上叫 Record voice。

快捷键也只属于听写那一边：在 IDE 里，Cmd+Shift+Space 还是切换听写；在 Agents Window 里，按住 Ctrl+M 可以对着听写说话。语音聊天没有专属快捷键，你得用鼠标点那个波形按钮。以前听写还叫 Voice Mode 的时候，不少人把它当成“Cursor 的语音功能”；现在 Voice Chat 来了，名字容易撞，官方干脆在文档里写明：早期的 Voice Mode 就是现在的 Dictation。记住这个对应关系，以后看教程、看别人的分享才不会对不上号。

这个区分不只是命名洁癖，它决定了你什么时候用哪个：想精确控制每一句话、发之前再检查一遍，用听写；想边干别的事边把活交代出去、让 Agent 边干边跟你汇报，用语音聊天。一个是输入法，一个是电话。两个都留着，是对的。

六、限制先说清楚

一个新功能好不好用，一半看它能干什么，一半看它在哪些地方干不了。官方文档把限制写得相当坦白，先列出来，省得读者自己踩坑。

第一，账号。必须登录 Cursor 账号，API key 会话不能发起语音聊天。按钮在未登录或 API key 会话里也会显示，但点下去通话起不来，得先登录账号再重拨。这个设计有点别扭——按钮看得见却用不了——但规则本身是清楚的：语音聊天是账号功能，不是本地功能。

第二，每日上限。文档明确说语音通话有每日次数上限，但数字没有公布。到了上限，Cursor 会告诉你什么时候能再打。也就是说，重度用户不能指望整天挂着语音跟 Agent 聊天；这个功能目前的定位更像“一天打几通”，而不是“全天候对讲机”。上限是多少、不同套餐是不是不一样，官方没说，留待后续公布或实测。

第三，静默挂断。默认情况下，你大约 10 分钟不说话、Agent 手头又没有进行中的工作，通话会自动挂断。这是官方文档里写的默认值。这个设计很合理：一通没人说话的电话不该一直占着；但也意味着，语音聊天不适合“挂着当背景音、偶尔问一句”的用法。你想长时间开着，得时不时说句话，或者让 Agent 手头一直有活。

第四，按钮不是到处都有。波形按钮不会出现在子 Agent、Project worker、已归档的对话、Claude Code 对话，以及别人拥有的对话里。在 IDE 里，云端 Agent 还在输出的时候，按钮也会藏起来；听写关掉的时候，按钮同样不出现。如果你按文档操作却找不到按钮，先对照这张清单，而不是先怀疑自己的版本——当然，文档也补了一句：如果都不符合，那就更新 Cursor。

七、从“打字指挥”到“开口指挥”：Cursor 连发两天的真正意思

单看语音聊天，它是一个好用的功能；连着前一天的 Live Apps 一起看，它是一次方向的表态。11 月 5 日的 Live Apps 回答的是“Agent 干完活之后怎么办”：云端 Agent 把应用建好、上线、给你链接，人不用守在电脑前等部署。11 月 6 日的语音聊天回答的是“人怎么指挥 Agent 干活”：不用打字了，开口说就行。上一天解决的是活的出口，这一天解决的是人的入口。两件事合起来，Cursor 想让人离键盘更远一点：活在云端跑，人在电话里指挥。

这个方向有个很实际的支撑点：云端 Agent。语音聊天最有用的场景，恰恰是 Agent 不在你电脑上的时候——它在云端跑，你在路上、在厨房、在另一个会议室，你想知道它做到哪了，或者想临时改个需求。没有云端 Agent 兜底，语音聊天只是一个“懒得打字”的快捷方式；有了云端 Agent，它才变成“人不在电脑前也能指挥”的工作方式。Live Apps 和语音聊天在两天内先后发布，不是巧合，是同一条线上的两步。

但“开口指挥”有个绕不过去的问题：说话比打字含糊。打字的时候，你可以把需求写精确、把路径贴完整、把报错原样复制；说话的时候，你说的是“那个按钮”“刚才那个地方”“改得好看一点”。Agent 能不能听懂，取决于它对上下文的掌握——它能读 diff、能查运行、能翻历史，这些能力在通话里恰好都给了语音 Agent。Cursor 的解法不是让语音变精确，而是让 Agent 更懂上下文，这样人说话含糊一点也行。这个思路对不对，要看实测：通话里交代的需求，返工率是不是比打字高。

还有一个取舍值得单独说：语音播报“要短”。编码 Agent 在通话里只报简短的进度和完成小结，完整回复留在聊天里。这是刻意的设计，不是偷工减料。写代码的回复本来就长：改了哪几个文件、每处为什么这样改、测试跑没跑过，全文念出来要几分钟，没人想听。短播报加全文留底，是语音界面里最务实的做法：耳朵只听结论，眼睛随时能查细节。但这也划了一条线：语音聊天不适合需要逐字核对的场合，比如审查一段关键逻辑、核对一份长 diff。那些活，还是得回到屏幕前，逐行看。

反过来想，语音最适合的，是那些“眼睛不在屏幕上”的时刻：散步时复盘今天的进度、等车时问一句云端 Agent 跑完了没有、做饭时顺口改一个小需求、开会间隙让 Agent 先把脚手架搭起来。它的对手不是键盘，而是“等回到电脑前再说”的那个拖延。能不能把这些碎片时间变成有效的工作时间，是这个功能真正的考题。

八、跟 Sesame 对照一笔：语音助手的竞争换了赛道

今年 10 月，我们写过 Sesame 的语音助手。那家公司的追求是让语音对话“像跟真人聊天”：声音自然、会停顿、会接你的话茬，聊天的体验本身就是产品。Cursor 这次做的事，方向几乎是反过来的：聊天的体验不是目的，干活才是。语音 Agent 在通话里的每一句话，都是为了把编码任务交代清楚、把进度汇报明白；声音好不好听是加分项，不是主菜。

对照起来看，语音助手这个赛道正在分叉。一条路是 Sesame 那条：把对话本身做到极致，让人愿意跟 AI 聊天；另一条路是 Cursor 这条：把对话接进一个具体的工作流，让人在干活的时候不用打字。前者比的是“聊得像不像人”，后者比的是“说完活干没干好”。两条路没有高下，但 Cursor 的选择更难验证：聊天像不像人，听几句就有感觉；语音指挥好不好用，得看改出来的代码对不对、返工多不多。Cursor 敢把语音聊天放进 IDE 和 Agents Window，等于把这场验证摆到了开发者最挑剔的场景里。

还有一点值得注意：Sesame 证明了语音可以成为主界面，Cursor 现在证明语音可以成为工作流的入口。等这两条路再往前走一步，很可能会撞到一起：一个既能陪你聊天、又能替你把活干了的语音助手。但那是后话。就 11 月 6 日这个时间点而言，Cursor 的语音聊天首先是一个开发工具的功能，其次才是一个语音产品。这个顺序别弄反了。

九、给 vibe 开发者：什么时候值得试，什么时候别勉强

如果你平时用 Cursor 做 vibe coding，这个功能最值得试的场景有三个。第一个是“人在外面，Agent 在云端跑”：出门前给云端 Agent 交代一个任务，路上打个电话问进度，回家直接看结果。第二个是“边干别的事边改需求”：手头在忙别的东西，眼睛不在屏幕上，顺口说一句“登录页的按钮再大一点”，不用放下手里的事去打字。第三个是“口头复盘”：一天结束，散步的时候跟 Agent 聊聊今天改了什么、明天先干什么，把思路理清楚，通话记录还留在聊天里，第二天能接着看。

但也有三个时候别勉强。第一，需求本身很精确的时候：要改的是某个函数的第几行、要贴一段报错、要指定一个确切的文件路径——这些话说出来既费劲又容易错，不如打字。第二，审查关键改动的时候：一段核心逻辑、一次数据库迁移、一份安全相关的 diff，必须逐行看，听播报不够。第三，环境不允许的时候：开车、开会、公共场合，一通跟 Agent 的电话既不安全也不体面。语音聊天是多了一个入口，不是取代了键盘和屏幕。

上手的时候，建议先从一件小事开始：找一个进行中的 Agent，随便问一句“你现在做到哪了”，听听它怎么回。再试一次口头交代一个小改动，然后回聊天里核对 diff，看看它听懂了没有。两次下来，你就知道这个功能的边界在哪：哪些话它听得懂、哪些话你得换个说法、哪些活还是打字更靠谱。别一上来就用语音指挥一次大重构——那不是测试功能，那是给自己找返工。

十、还没回答的问题

发布当天，还有几个问题官方没有回答。每日通话次数上限的具体数字是多少，不同套餐是不是不一样？语音通话要不要额外花钱，算不算进已有的用量额度？中文语音的表现怎么样，Agent 能不能听懂带口音的中文、能不能用中文自然回答？Android 端什么时候跟上，目前只有 iOS？这些问题的答案，要么等 Cursor 后续公布，要么等第一批用户的实测。

还有一个更大的背景值得留意。就在这个秋天，Cursor 的模型供应正在发生变化：OpenAI 提议在 11 月 12 日停止向 Cursor 直接提供模型。与此同时，Grok 的模型和语音能力正在加速进入 Cursor——Grok 4.7 已在 Cursor 里可用，现在 Grok Voice 又接管了语音层。语音聊天这次把“听和说”交给 Grok Voice、“写代码”留给用户自选模型，这个分工本身就是一道保险：不管上游模型怎么变，语音层和编码层是分开的，换模型不用换说话的方式。

一句话总结：Cursor 用两天时间，先让 Agent 把应用建好上线（Live Apps），再让人开口指挥 Agent 干活（语音聊天）。语音层交给 Grok Voice，编码还是你选的模型；播报要短、全文留底、通话有记录。好用不好用，关键看一句：你说完，它改得对不对。先从小改动试起，耳朵听结论，眼睛核对 diff——这个功能的边界，试两次就知道了。