​

Голосовое пробуждение и Push-to-Talk

​

Режимы

• Режим по ключевому слову (по умолчанию): постоянно активный распознаватель речи ждёт триггерные токены (swabbleTriggerWords). При совпадении начинается захват, показывается оверлей с частичным текстом и выполняется автoотправка после паузы.
• Push-to-talk (удержание правой Option): удерживайте правую клавишу Option для немедленного захвата — без триггера. Оверлей отображается во время удержания; отпускание завершает ввод и отправляет его с короткой задержкой, чтобы вы могли подправить текст.

​

Поведение во время выполнения (по ключевому слову)

• Распознаватель речи работает в VoiceWakeRuntime.
• Триггер срабатывает только при наличии осмысленной паузы между ключевым словом и следующим словом (~0,55 с). Оверлей/звонок могут стартовать на паузе ещё до начала команды.
• Окна тишины: 2,0 с при непрерывной речи, 5,0 с если было услышано только ключевое слово.
• Жёсткая остановка: 120 с для предотвращения «убегающих» сессий.
• Дебаунс между сессиями: 350 мс.
• Оверлей управляется через VoiceWakeOverlayController с окраской «зафиксировано/временно».
• После отправки распознаватель корректно перезапускается и снова слушает следующий триггер.

​

Инварианты жизненного цикла

• Если голосовое пробуждение включено и разрешения выданы, распознаватель ключевого слова должен слушать (кроме явного захвата push-to-talk).
• Видимость оверлея (включая ручное закрытие кнопкой X) никогда не должна мешать возобновлению работы распознавателя.

​

Режим отказа «липкого» оверлея (ранее)

• Перезапуск рантайма голосового пробуждения больше не блокируется видимостью оверлея.
• Завершение закрытия оверлея инициирует VoiceWakeRuntime.refresh(...) через VoiceSessionCoordinator, поэтому ручное закрытие X всегда возобновляет прослушивание.

​

Особенности push-to-talk

• Детектирование хоткея использует глобальный монитор .flagsChanged для правой Option (keyCode 61 + .option). Мы только наблюдаем события (без перехвата).
• Конвейер захвата находится в VoicePushToTalk: немедленно запускает Speech, стримит частичные результаты в оверлей и вызывает VoiceWakeForwarder при отпускании.
• При старте push-to-talk мы приостанавливаем рантайм по ключевому слову, чтобы избежать конкурирующих аудиотапов; после отпускания он автоматически перезапускается.
• Разрешения: требуются Microphone + Speech; для получения событий нужны права Accessibility/Input Monitoring.
• Внешние клавиатуры: некоторые могут не корректно экспонировать правую Option — предложите запасное сочетание, если пользователи сообщают о пропусках.

​

Пользовательские настройки

• Переключатель Voice Wake: включает рантайм по ключевому слову.
• Удерживать Cmd+Fn для разговора: включает монитор push-to-talk. Отключено на macOS < 26.
• Выбор языка и микрофона, индикатор уровня в реальном времени, таблица триггерных слов, тестер (только локально; без пересылки).
• Выбор микрофона сохраняет последнюю настройку при отключении устройства, показывает подсказку об отключении и временно откатывается к системному по умолчанию, пока устройство не вернётся.
• Звуки: звонки при обнаружении триггера и при отправке; по умолчанию используется системный звук macOS «Glass». Можно выбрать любой файл, загружаемый через NSSound (например, MP3/WAV/AIFF) для каждого события или выбрать No Sound.

​

Поведение пересылки

• Когда голосовое пробуждение включено, транскрипты пересылаются активному gateway/агенту (тот же локальный или удалённый режим, что и у остального приложения для macOS).
• Ответы доставляются в последний использованный основной провайдер (WhatsApp/Telegram/Discord/WebChat). Если доставка не удалась, ошибка логируется, а запуск всё равно виден через WebChat/логи сеанса.

​

Полезная нагрузка пересылки

• VoiceWakeForwarder.prefixedTranscript(_:) добавляет подсказку о машине перед отправкой. Используется совместно путями по ключевому слову и push-to-talk.

​

Быстрая проверка

• Включите push-to-talk, удерживайте Cmd+Fn, говорите, отпустите: оверлей должен показать частичные результаты и затем отправить.
• Во время удержания «уши» в строке меню должны оставаться увеличенными (используется triggerVoiceEars(ttl:nil)); после отпускания они уменьшаются.