Przejdź do głównej treści

​
Wybudzanie głosem i Push‑to‑Talk

​
Mody

  • Tryb wybudzania słowem kluczowym (domyślny): zawsze włączony rozpoznawacz mowy czeka na tokeny wyzwalające (swabbleTriggerWords). Po dopasowaniu rozpoczyna przechwytywanie, wyświetla nakładkę z tekstem częściowym i automatycznie wysyła po wykryciu ciszy.
  • Push‑to‑talk (przytrzymanie prawego Option): przytrzymaj prawy klawisz Option, aby rozpocząć przechwytywanie natychmiast — bez wyzwalacza. Nakładka jest widoczna podczas przytrzymania; zwolnienie finalizuje i przekazuje po krótkim opóźnieniu, aby umożliwić korektę tekstu.

​
Zachowanie w czasie działania (wybudzanie słowem kluczowym)

  • Rozpoznawacz mowy działa w VoiceWakeRuntime.
  • Wyzwalacz uruchamia się tylko wtedy, gdy występuje znacząca pauza między słowem wybudzającym a następnym słowem (~0,55 s). Nakładka/dźwięk może uruchomić się na pauzie jeszcze przed rozpoczęciem polecenia.
  • Okna ciszy: 2,0 s, gdy mowa płynie; 5,0 s, jeśli usłyszano tylko wyzwalacz.
  • Twarde zatrzymanie: 120 s, aby zapobiec niekontrolowanym sesjom.
  • Debounce między sesjami: 350 ms.
  • Nakładka jest sterowana przez VoiceWakeOverlayController z kolorowaniem zatwierdzonym/ulotnym.
  • Po wysłaniu rozpoznawacz restartuje się w czysty sposób, aby nasłuchiwać kolejnego wyzwalacza.

​
Niezmienniki cyklu życia

  • Jeśli Wybudzanie głosem jest włączone i przyznano uprawnienia, rozpoznawacz słowa kluczowego powinien nasłuchiwać (z wyjątkiem jawnego przechwytywania push‑to‑talk).
  • Widoczność nakładki (w tym ręczne zamknięcie przyciskiem X) nigdy nie może uniemożliwiać wznowienia rozpoznawacza.

​
Tryb awarii „przyklejonej” nakładki (wcześniej)

Wcześniej, jeśli nakładka utknęła jako widoczna i zamknięto ją ręcznie, Wybudzanie głosem mogło wyglądać na „martwe”, ponieważ próba restartu w czasie działania mogła być blokowana przez widoczność nakładki i nie planowano kolejnego restartu. Wzmocnienia:
  • Restart środowiska wybudzania nie jest już blokowany przez widoczność nakładki.
  • Zakończenie zamknięcia nakładki wyzwala VoiceWakeRuntime.refresh(...) przez VoiceSessionCoordinator, dzięki czemu ręczne zamknięcie X zawsze wznawia nasłuch.

​
Szczegóły push‑to‑talk

  • Wykrywanie skrótu używa globalnego monitora .flagsChanged dla prawego Option (keyCode 61 + .option). Tylko obserwujemy zdarzenia (bez ich przechwytywania).
  • Potok przechwytywania działa w VoicePushToTalk: natychmiast uruchamia rozpoznawanie mowy, strumieniuje częściowe wyniki do nakładki i wywołuje VoiceWakeForwarder po zwolnieniu.
  • Po rozpoczęciu push‑to‑talk wstrzymujemy środowisko wybudzania słowem kluczowym, aby uniknąć rywalizujących „podsłuchów” audio; po zwolnieniu uruchamia się ono ponownie automatycznie.
  • Uprawnienia: wymagane są Mikrofon + Mowa; do podglądu zdarzeń potrzebna jest zgoda Dostępność/Monitorowanie wejścia.
  • Klawiatury zewnętrzne: niektóre mogą nie udostępniać prawego Option zgodnie z oczekiwaniami — w razie zgłoszeń braków należy zaproponować skrót zapasowy.

​
Ustawienia widoczne dla użytkownika

  • Przełącznik Wybudzanie głosem: włącza środowisko wybudzania słowem kluczowym.
  • Przytrzymaj Cmd+Fn, aby mówić: włącza monitor push‑to‑talk. Wyłączone na macOS < 26.
  • Wybór języka i mikrofonu, miernik poziomu na żywo, tabela słów wyzwalających, tester (tylko lokalnie; nie przekazuje).
  • Wybór mikrofonu zachowuje ostatnią selekcję po odłączeniu urządzenia, pokazuje wskazówkę o rozłączeniu i tymczasowo przełącza na domyślny systemowy do czasu powrotu.
  • Dźwięki: sygnały przy wykryciu wyzwalacza i przy wysyłaniu; domyślnie systemowy dźwięk macOS „Glass”. Dla każdego zdarzenia można wybrać dowolny plik ładowalny przez NSSound (np. MP3/WAV/AIFF) lub wybrać Brak dźwięku.

​
Zachowanie przekazywania

  • Gdy Wybudzanie głosem jest włączone, transkrypcje są przekazywane do aktywnego gateway/agent (ten sam tryb lokalny vs zdalny, którego używa reszta aplikacji na macOS).
  • Odpowiedzi są dostarczane do ostatnio używanego głównego dostawcy (WhatsApp/Telegram/Discord/WebChat). Jeśli dostarczenie się nie powiedzie, błąd jest rejestrowany, a uruchomienie pozostaje widoczne w logach WebChat/sesji.

​
Ładunek przekazywania

  • VoiceWakeForwarder.prefixedTranscript(_:) dodaje na początku wskazówkę o maszynie przed wysłaniem. Wspólne dla ścieżek wybudzania słowem kluczowym i push‑to‑talk.

​
Szybka weryfikacja

  • Włącz push‑to‑talk, przytrzymaj Cmd+Fn, mów, zwolnij: nakładka powinna pokazać częściowe wyniki, a następnie wysłać.
  • Podczas przytrzymania uszy na pasku menu powinny pozostać powiększone (używa triggerVoiceEars(ttl:nil)); po zwolnieniu opadają.