メインコンテンツへスキップ

​
音声ウェイク & プッシュトゥトーク

​
モード

  • ウェイクワードモード（デフォルト）：常時オンの音声認識がトリガートークン（swabbleTriggerWords）を待機します。一致するとキャプチャを開始し、部分テキスト付きのオーバーレイを表示し、無音後に自動送信します。 一致するとキャプチャが開始され、部分的なテキストでオーバーレイが表示され、沈黙後に自動送信されます。 一致するとキャプチャが開始され、部分的なテキストでオーバーレイが表示され、沈黙後に自動送信されます。
  • プッシュトゥトーク(右オプションホールド): 右のOptionキーを押すとすぐにキャプチャできます。トリガーは必要ありません。 オーバーレイは、保留中に表示されます。リリースは、短い遅延の後に確定および転送されるので、テキストを調整できます。 オーバーレイは、保留中に表示されます。リリースは、短い遅延の後に確定および転送されるので、テキストを調整できます。

​
ランタイム動作（ウェイクワード）

  • 音声認識は VoiceWakeRuntime に常駐します。
  • トリガーはwake単語と次の単語（〜0.55秒間隔）の間に意味のある一時停止がある場合にのみ発生します。 オーバーレイ/チャイムは、コマンドが開始される前でもポーズで開始できます。 オーバーレイ/チャイムは、コマンドが開始される前でもポーズで開始できます。
  • 無音ウィンドウ：発話が継続している場合は 2.0 秒、トリガーのみが聞こえた場合は 5.0 秒です。
  • ハードストップ：暴走セッションを防ぐため 120 秒。
  • セッション間のデバウンス：350 ms。
  • オーバーレイは、確定／揮発の色分けを用いて VoiceWakeOverlayController 経由で駆動されます。
  • 送信後、認識器は次のトリガーを待つためにクリーンに再起動します。

​
ライフサイクル不変条件

  • 音声ウェイクが有効で権限が付与されている場合、ウェイクワード認識は（明示的なプッシュトゥトークのキャプチャ中を除き）常に待機している必要があります。
  • オーバーレイの表示状態（X ボタンによる手動の閉鎖を含む）は、認識の再開を妨げてはなりません。

​
固着オーバーレイの障害モード（以前）

以前は、オーバーレイが表示されたまま固着し、手動で閉じた場合、ランタイムの再起動試行がオーバーレイの可視性によってブロックされ、その後の再起動がスケジュールされないため、音声ウェイクが「停止した」ように見えることがありました。 強化対応：
  • ウェイクランタイムの再起動は、オーバーレイの可視性によってブロックされなくなりました。
  • オーバーレイの閉鎖完了は VoiceSessionCoordinator 経由で VoiceWakeRuntime.refresh(...) をトリガーするため、X による手動閉鎖でも必ずリスニングが再開されます。

​
プッシュツートークの詳細

  • ホットキー検出は、右 Option（keyCode 61 + .option）に対するグローバルな .flagsChanged モニターを使用します。イベントは監視のみで、消費（スワロー）はしません。 私たちは、イベント(飲み込まない)だけを観察します。 私たちは、イベント(飲み込まない)だけを観察します。
  • キャプチャパイプラインは VoicePushToTalk にあり、音声認識を即時開始し、部分結果をオーバーレイへストリーミングし、リリース時に VoiceWakeForwarder を呼び出します。
  • プッシュトゥトーク開始時は、音声タップの競合を避けるためウェイクワードランタイムを一時停止します。リリース後に自動で再開します。
  • 権限：マイク + 音声認識が必要です。イベントの検知にはアクセシビリティ／入力監視の承認が必要です。
  • 外付けキーボード：右 Option が期待どおりに露出しない場合があります—取りこぼしの報告がある場合は代替ショートカットを提示してください。

​
ユーザー向け設定

  • 音声ウェイク トグル：ウェイクワードランタイムを有効化します。
  • Cmd+Fnを長押し: プッシュトゥトークモニタを有効にします。 macOS 26以降では無効になっています。
  • 言語およびマイクのピッカー、ライブレベルメーター、トリガーワード表、テスター（ローカルのみ；転送しません）。
  • マイクピッカーは、デバイスが切断されても最後の選択を保持し、切断のヒントを表示し、復帰するまで一時的にシステムデフォルトへフォールバックします。
  • サウンド：トリガー検出時および送信時のチャイム。デフォルトは macOS の「Glass」システムサウンドです。各イベントごとに、任意の NSSound でロード可能なファイル（例：MP3/WAV/AIFF）を選択するか、サウンドなし を選べます。 イベントごとに任意の NSSound-loadable ファイル (例: MP3/WAV/AIFF) を選択するか、No Sound を選択します。 イベントごとに任意の NSSound-loadable ファイル (例: MP3/WAV/AIFF) を選択するか、No Sound を選択します。

​
転送動作

  • 音声ウェイクが有効な場合、文字起こしはアクティブなゲートウェイ／エージェント（mac アプリ全体で使用されるローカル／リモートの同一モード）に転送されます。
  • 返信は 最後に使用したメインプロバイダー（WhatsApp/Telegram/Discord/WebChat）に配信されます。配信に失敗した場合、エラーはログに記録され、実行は WebChat／セッションログから引き続き確認できます。 配信に失敗した場合、エラーは記録され、実行は WebChat/セッション ログ経由で表示されます。

​
転送ペイロード

  • 送信前に VoiceWakeForwarder.prefixedTranscript(_:) がマシンヒントを前置します。ウェイクワードとプッシュトゥトークの両パスで共有されます。 ウェイクワードとプッシュトゥトークのパス間で共有されました。 ウェイクワードとプッシュトゥトークのパス間で共有されました。

​
クイック検証

  • プッシュトゥトークをオンにし、Cmd+Fn を押し続けて話し、離します：オーバーレイに部分結果が表示され、その後送信されるはずです。
  • 押下中、メニューバーの耳は拡大されたまま（triggerVoiceEars(ttl:nil) を使用）で、リリース後に元に戻ります。