O czym jest ten film
- OpenAI wypuściło ChatGPT Voice 2.0 — tryb głosowy, który działa nie jako czatbot, ale jako agent sterujący pulpitem komputera.
- Zmienił się silnik, a nie sam interfejs: dwa nowe modele i rozmowa w czasie rzeczywistym, z możliwością przerywania i mówieniem „w trakcie myślenia”.
- Autor prezentuje pięć poziomów zaawansowania — od wielozadaniowości po pełną obsługę bez użycia rąk.
- Poziom 1: wydawanie kilku poleceń naraz (porządkowanie plików, deep research, budowa strony) i pływające okienko agenta podążające za tobą po aplikacjach.
- Poziom 2: dostęp do zawartości pulpitu i wykonywanie na nim pracy również wtedy, gdy jesteś poza domem — przez telefon połączony z tym samym kontem.
- Poziom 3: z mglistego polecenia agent wyciąga sensowny wynik — doradza wybór planu, tłumaczy błędy w konsoli przeglądarki, korzysta z kontekstu tego, co robisz.
- Poziom 4: głosowe uruchamianie własnych systemów agentowych (autor pokazuje to na Hermes Agent) i ustawianie przypomnień.
- Poziom 5: praca całkowicie bez rąk — agent patrzy na ekran, klika, analizuje i sam wypełnia formularze na podstawie wiedzy o tobie.
- Autor rekomenduje Firecrawl do scrapowania stron, bo oszczędza tokeny, koszt i przyspiesza działanie.
- Uczciwie wymienione ograniczenia: sterowanie przeglądarką bywa wolne, brak kamery na żywo, podgląd ekranu tylko na macOS, pamięć węższa niż w zwykłym ChatGPT.
Redakcyjne tłumaczenie
Czym właściwie jest ChatGPT Voice 2.0
OpenAI właśnie udostępniło ChatGPT Voice 2.0 i odblokowuje to naprawdę duże możliwości. To w praktyce Jarvis: łączy się ze wszystkimi twoimi narzędziami, działa z poziomu telefonu i zmieni sposób, w jaki pracujesz — ale tylko wtedy, gdy nauczysz się go używać poprawnie i poznasz najlepsze zastosowania.
(Informacja dodatkowa: „Jarvis” to inteligentny asystent głosowy z filmów o Iron Manie — synonim wszechstronnego, konwersacyjnego pomocnika, który steruje całym środowiskiem użytkownika.)
W tym materiale pokażę pięć poziomów ChatGPT Voice, krok po kroku, żebyś dokładnie wiedział, czego się na każdym z nich spodziewać, jakich kluczowych błędów unikać i jak dzięki temu wyprzedzić resztę i zaoszczędzić czas.
Otwórz aplikację ChatGPT albo aplikację Codex. Schodzisz w dół, klikasz „start voice” i możesz zacząć rozmowę. Działa to na pulpicie: możemy eksplorować, planować, uczyć się — i działa w obrębie naszych projektów, z kilkoma naprawdę ciekawymi zastosowaniami. Wybierasz głos i jesteś gotowy do startu.
Przykład na rozgrzewkę: „Cześć, zrobisz coś dla mnie? Wyszukaj w Google, kto był najwyższym człowiekiem, jaki kiedykolwiek żył, a potem zapisz na moim pulpicie plik o nazwie »najwyższy człowiek« z tą informacją w środku.” Odpowiedź: „Sprawdzę to i zapiszę plik na twoim pulpicie.” Co istotne — to okienko można wyciszyć i przesuwać. Warto włączyć stałe zezwolenie na działania, żeby nie potwierdzać każdej operacji z osobna. W efekcie mamy konwersacyjny interfejs do ChatGPT, który potrafi wykonywać czynności na naszym pulpicie. Informacja pojawia się dokładnie tam, gdzie miała.
Co tak naprawdę się zmieniło
Sama aplikacja się nie zmieniła — zmienił się silnik pod spodem. Mamy dwa nowe modele. Tryb głosowy ma już 150 milionów tygodniowych użytkowników. Zamiast wymiany zdań w trybie „ty–ja” możesz teraz rozmawiać z agentem w czasie rzeczywistym: możecie sobie nawzajem wchodzić w słowo, a on i tak zrozumie, o co chodzi. Wrażenie „inteligencji” bierze się stąd, że agent mówi do ciebie, jednocześnie myśląc w tle — nie czekasz więc w nieskończoność na odpowiedź. Możesz to robić na komputerze stacjonarnym, na laptopie, a dokładnie to samo działa również z telefonu.
Poziom 1: wielozadaniowość
Zaczynamy od poziomu pierwszego, czyli zdolności do wielozadaniowości. Uruchamiasz tryb głosowy i wydajesz kilka poleceń naraz.
„Cześć, zrób mi przysługę. Po pierwsze, uporządkuj mój pulpit, bo wygląda trochę bałaganiarsko. Potem otwórz nową kartę w aplikacji Codex i zrób głębokie badanie z użyciem Firecrawl na temat najlepszych strategii rozwoju konta na X w 2026 roku — znajdź wielu różnych konkurentów. A przy okazji zbuduj mi prostą, interaktywną, ładną landing page dla strony mojego klienta, dużo HTML‑a.”
(Informacja dodatkowa: „X” to serwis dawniej znany jako Twitter. Firecrawl to narzędzie do scrapowania i przekształcania treści stron w format przyjazny dla modeli AI.)
Odpowiedź: „Zacznę wszystkim naraz. Najpierw sprawdzam kontekst na twoim ekranie.” Świetne jest to, że okienko agenta można przesuwać w dowolne miejsce, a ono podąża za tobą po każdej aplikacji i każdej stronie, na której jesteś. Agent zadaje przy tym pytania doprecyzowujące, zanim cokolwiek przeniesie. Tu autor daje mu polecenie lekko sprzeczne z poprzednim: „Chcę zostawić wszystko na pulpicie, tylko poukładaj to w foldery, żebym nie miał luźnych plików. Właściwie — daruj sobie pulpit, zrób to z folderem Pobrane. Pulpitu nie ruszaj.” Agent to rozumie i wykonuje trzy rzeczy jednocześnie.
Firecrawl jest tu użyty świadomie, bo oszczędza sporo tokenów. Autor twierdzi, że przy budowaniu stron czy jakiejkolwiek pracy zdolność do scrapowania, interakcji i parsowania stron oszczędza tokeny i koszt, przyspiesza działanie i daje lepsze wyniki.
Można też rozmawiać z ChatGPT bezpośrednio o stronie, na której się znajdujesz: „Jestem na stronie Firecrawl. Wyjaśnij mi, co mogę zrobić na tej stronie.” Odpowiedź: „Sprawdzam tę stronę. Jesteś w playgroundzie wyszukiwania Firecrawl. Możesz przeszukać sieć na żywo i zamienić wyniki w czyste treści gotowe dla AI. Jest też scrape dla jednego URL‑a, crawl…”. Żeby to zrobić, agent musi zrobić zrzut ekranu strony — ale w zamian wyręcza cię w zadaniu. W efekcie w otwartej karcie mamy gotowy raport o X i zbudowaną landing page („We Make What Tomorrow Needs”), która nie wygląda jak sztampowa strona z AI.
Poziom 2: praca na pulpicie, gdy jesteś poza domem
Kolejny poziom to używanie ChatGPT, gdy nawet nie siedzisz przy komputerze. Wystarczy połączyć konto ChatGPT z pulpitem — logujesz się na to samo konto. Wyobraź sobie, że wychodzisz do kawiarni. Możesz zadać pytanie o cokolwiek na swoim pulpicie, a nawet zlecić budowanie czegoś: „Przypomnij mi, co ostatnio zapisałem na pulpicie.” Odpowiedź: „Sprawdzam twój pulpit, ostatnio zapisany element.” Agent nie tylko pobiera informacje — może też wykonać za ciebie pracę na pulpicie. To poziom drugi: zdalne sterowanie agentem głosowym.
Poziom 3: z mglistego polecenia — konkretny wynik
Trzeci poziom to zdolność do podania bardzo ogólnego pomysłu i otrzymania czegoś wartościowego. Po wywołaniu agenta w dowolnym oknie możesz użyć Codeksa do różnych zadań. Przykład: „Próbuję kupić jeden z tych produktów Eleven Labs, które widzę na ekranie. Znasz moje projekty — który z tych planów byś polecił: Free, Starter, Creator?” Odpowiedź: „Sprawdzę te plany i dopasuję do twoich. Patrzę na plany Eleven Labs na ekranie i przy twoim projekcie zawężam, który pasuje najlepiej.”
(Informacja dodatkowa: Eleven Labs to popularne narzędzie do syntezy mowy AI.)
Agent ma już kontekst tego, co robisz. Najlepsze jest to, że możesz prowadzić tę rozmowę, a jednocześnie robić coś innego — przejść na inną stronę, wejść na YouTube, wyciszyć okienko. Ono podąża za tobą po całym internecie. Inny przykład: klikasz prawym przyciskiem myszy na stronie, wybierasz „Zbadaj” (inspect), widzisz błędy w konsoli i mówisz: „Wyjaśnij mi błędy na tej stronie, co tu jest nie tak?” Odpowiedź: „Jasne, sprawdzam błędy na tej stronie.” Dzięki temu budujesz lepsze aplikacje, bo masz asystenta towarzyszącego ci we wszystkich aplikacjach.
Przy uruchamianiu trybu głosowego wybierasz też model/głos — autor lubi „GPT 5.6 Sol High”. Dokładnie ten model, który wybierzesz, będzie tym, z którym rozmawiasz po załadowaniu.
(Informacja dodatkowa: nazwy modeli i głosów autor podaje ze słuchu, „Sol/Saul”; traktuj je jako orientacyjne, bo transkrypcja mogła je zniekształcić.)
Poziom 4: głosowe sterowanie własnymi systemami agentowymi
Autor sporo mówi o Hermes Agent. Można wyzwolić własnego agenta Hermes z poziomu ChatGPT — zarówno głosem, jak i na pulpicie. To działa, ponieważ agent uruchomiony jest na tym samym komputerze co Codex.
(Informacja dodatkowa: Hermes Agent to zewnętrzny framework agentowy, który autor promuje na swoim kanale; działa lokalnie na komputerze użytkownika.)
Przykład: „Masz dostęp do mojego Hermes Agenta. Powiedz mi, jaki model go teraz zasila.” Odpowiedź: „Sprawdzam konfigurację Hermesa bezpośrednio, zamiast zgadywać… Hermes jest obecnie skonfigurowany na GPT‑5.6 Saul, OpenAI.” Praktyczna korzyść: cokolwiek robisz na komputerze albo gdy jesteś w drodze, możesz zostawiać agentowi wiadomości głosowe i łączyć ChatGPT z innymi systemami agentowymi.
Można też ustawiać przypomnienia: „Poproś Hermes Agenta, żeby przypomniał mi o 11:00 rano o kupieniu dwóch mrożonych kaw przed lotem.” Odpowiedź: „Jasne, ustawiam to.” Po doprecyzowaniu: „Zróbmy to jutro” — „Ustawiam na jutro.” W ten sposób komunikujemy się z własnym agentem, bo działa on na tym samym komputerze co Codex. W wielu aspektach to po prostu przyjemniejsza aktualizacja interfejsu.
Poziom 5: praca całkowicie bez użycia rąk
Piąty poziom to najbardziej ekscytująca aktualizacja: możesz być zupełnie „hands‑free” i mieć pływającego agenta na ekranie, który wykonuje rzeczy za ciebie. Autor pokazuje to na własnym „robocie” (aplikacji zbudowanej dla społeczności do pracy nad celami i strategiami): „Wybierz ninja, a potem kliknij na następną stronę.” Odpowiedź: „Robię to. Ninja zaznaczony, przycisk »dalej« aktywny.” Dalej: „Przeanalizuj mój profil.” — „Jasne, analizuję. Strona analizy profilu jest otwarta i gotowa.” — „Kliknij ten przycisk, żeby uruchomić analizę.” — „Uruchamiam analizę profilu.”
Istotne nie jest to, że agent klika przyciski, tylko to, że patrzy na ekran, analizuje sytuację i przechodzi do kolejnego kroku. Prawdziwy przeskok to fakt, że potrafi wykorzystać całą wiedzę i kontekst o tobie, by podejmować decyzje. Przy formularzu z wieloma pytaniami autor mówi: „Znasz mnie dobrze — przejdź przez to i pomóż mi wybrać opcje najbardziej trafne dla mojej sytuacji.” Odpowiedź: „Jasne, dopasuję wybory do twojego profilu i celów.” Agent sam wypełnia formularz na podstawie tego, co o tobie wie.
Ograniczenia, o których warto wiedzieć
Autor uczciwie wymienia kilka wad:
- Sterowanie przeglądarką nie jest najszybsze. To świetne do pracy bez rąk, ale nie działa błyskawicznie. Wkrótce ma pojawić się szybszy model.
- Brak kamery na żywo — nie skierujesz telefonu na jakiś obiekt, by o niego zapytać w trybie live.
- Podgląd ekranu tylko na macOS — nie ma udostępniania ekranu do sesji głosowej na żywo, ale aplikacja na macOS potrafi robić zrzuty i czytać, co jest na ekranie.
- Pamięć jest, ale nie tak rozbudowana jak w zwykłym ChatGPT. Zadając pytania, warto czasem odwoływać się do konkretnych plików, żeby uzyskać dodatkowy poziom szczegółowości.
Na koniec autor zapowiada, że kolejnym krokiem jest podniesienie tego na wyższy poziom przy pomocy Hermes Agent, do czego odsyła w następnym materiale.
10 najważniejszych takeaways — z kontekstem zastosowania
1.To agent na pulpicie, nie czatbot głosowy
Na czym polega: ChatGPT Voice 2.0 nie tylko rozmawia — czyta ekran, otwiera karty, porządkuje pliki i wykonuje zadania w twoim środowisku.
Jak stosować: Traktuj go jak wykonawcę czynności, nie tylko rozmówcę: zlecaj konkretne operacje na plikach, kartach i formularzach, a nie same pytania.
Na co uważać: Skoro ma realny dostęp do systemu, może przenosić i zmieniać pliki — zanim włączysz stałe zezwolenia, upewnij się, że rozumiesz zakres jego uprawnień.
2.Wielozadaniowość: kilka poleceń w jednej komendzie
Na czym polega: Agent przyjmuje kilka zadań naraz i realizuje je równolegle (porządkowanie, research, budowa strony).
Jak stosować: Grupuj powiązane zlecenia w jedną wypowiedź, ale każde formułuj jednoznacznie — „zrób X, potem Y, a przy okazji Z”.
Na co uważać: Im więcej równoległych zadań, tym większe ryzyko, że agent źle je uszereguje — sprawdzaj wyniki każdego z osobna, nie zakładaj, że wszystkie wyszły poprawnie.
3.Polecenia sprzeczne wymagają jawnego doprecyzowania
Na czym polega: Agent zadaje pytania doprecyzowujące i potrafi przyjąć korektę w trakcie („nie ruszaj pulpitu, zrób to z Pobranymi”).
Jak stosować: Gdy zmieniasz zdanie, powiedz to wprost i wskaż, co ma zostać nienaruszone — agent uwzględni ograniczenie.
Na co uważać: Nie licz na to, że sam zgadnie intencję przy sprzecznych poleceniach; brak jawnego „nie dotykaj X” może skończyć się niechcianą zmianą.
4.Okienko agenta podąża za tobą po aplikacjach
Na czym polega: Pływające okno idzie za tobą po każdej stronie i aplikacji, więc kontekst rozmowy jest ciągły.
Jak stosować: Rozpocznij rozmowę przy jednym zadaniu i kontynuuj ją, przechodząc między stronami — nie musisz zaczynać od nowa.
Na co uważać: Żeby „widzieć” stronę, agent robi jej zrzut ekranu — miej to na uwadze przy wrażliwych danych na ekranie.
5.Zdalny dostęp do pulpitu przez to samo konto
Na czym polega: Zalogowany na to samo konto z telefonu, możesz odpytywać pulpit i zlecać na nim pracę, będąc poza domem.
Jak stosować: Wykorzystaj to do szybkich sprawdzeń „co ostatnio zapisałem” albo do uruchomienia zadania, gdy komputer został w domu.
Na co uważać: Zdalny dostęp do plików to też ryzyko bezpieczeństwa — zadbaj o ochronę konta (silne hasło, 2FA), bo to brama do całego pulpitu.
6.Kontekstowe doradztwo z tego, co masz na ekranie
Na czym polega: Agent korzysta z widoku bieżącej strony i wiedzy o twoich projektach, by np. doradzić wybór planu cenowego.
Jak stosować: Pytaj „który z tych wariantów pasuje do mojego projektu?” wprost na stronie z opcjami — agent dopasuje odpowiedź do kontekstu.
Na co uważać: Rekomendacja opiera się na tym, co agent zdołał wywnioskować — przy decyzjach zakupowych zweryfikuj ją samodzielnie, nie kupuj w ciemno.
7.Debugowanie przez odczyt konsoli przeglądarki
Na czym polega: Agent potrafi przeczytać błędy widoczne w narzędziach deweloperskich strony i je wyjaśnić.
Jak stosować: Otwórz „Zbadaj” (inspect), pokaż konsolę i poproś o wyjaśnienie błędów — przydatne przy budowaniu aplikacji.
Na co uważać: To pomoc w diagnozie, nie gwarancja poprawnej naprawy — traktuj wyjaśnienia jako punkt wyjścia, nie ostateczną prawdę.
8.Głosowe wyzwalanie własnych systemów agentowych
Na czym polega: Ponieważ lokalny agent (tu: Hermes) i Codex działają na tej samej maszynie, ChatGPT może go uruchamiać i sprawdzać jego konfigurację.
Jak stosować: Jeśli prowadzisz własny lokalny agent, spinaj go z trybem głosowym, by zlecać zadania i ustawiać przypomnienia bez otwierania terminala.
Na co uważać: To zaawansowana konfiguracja wymagająca zewnętrznego frameworka — autor promuje tu Hermes Agent i płatny kurs, więc oddziel realną funkcję od treści sponsorującej.
9.Firecrawl do scrapowania oszczędza tokeny i koszt
Na czym polega: Autor używa Firecrawl do przeszukiwania i parsowania stron, twierdząc, że obniża to zużycie tokenów i przyspiesza pracę.
Jak stosować: Przy zadaniach opartych na treści z sieci (research, budowa stron) rozważ warstwę scrapującą zamiast wrzucać agentowi surowe, ciężkie strony.
Na co uważać: To narzędzie zewnętrzne z własnym kosztem/limitami — korzyść zależy od skali; przy pojedynczych zadaniach różnica może być pomijalna.
10.Znaj granice: szybkość, kamera, macOS, pamięć
Na czym polega: Sterowanie przeglądarką bywa wolne, brak kamery na żywo, podgląd ekranu tylko na macOS, a pamięć węższa niż w zwykłym ChatGPT.
Jak stosować: Do zadań wymagających precyzji odwołuj się do konkretnych plików; nie licz na pracę z kamerą ani na udostępnianie ekranu w sesji głosowej.
Na co uważać: Wiele pokazanych funkcji to działanie na maszynie autora z dodatkowym oprogramowaniem — u ciebie dostępność i szybkość mogą się różnić, zwłaszcza poza macOS.