Codumentor logo Codumentor Enterprise

Hang: diktálás és felolvasás

A chat beviteli mezőjének mikrofonjával gépelés helyett diktálhatsz. A hangszolgáltatás opcionális, a chatmodelltől különálló szolgáltatás: egy chatszolgáltató kiválasztása vagy a ChatGPT-előfizetéses bejelentkezés nem állítja be és nem fizeti ki a hanghasználatot.

A hangmód megnyitásának gyorsbillentyűje

A Ctrl+Shift+V (macOS-en Cmd+Shift+V) megnyitja az aktuális beszélgetés hangmódját a kiválasztott dokkolt (minimalizált vezérlőpaneles) vagy teljes képernyős nézetben. Ez rögzített gyorsbillentyű: a minimalizált panel hangbeállításaiban nem szerkeszthető és nem kapcsolható ki.

A gyorsbillentyű szövegmezőkön és modális párbeszédablakokon kívül működik, ha elérhető a hangbevitel, és a hangmód még nincs megnyitva. Nem zárja be és nem kapcsolja át a már aktív hangmódot. Adóvevős módban továbbra is a Szóköz indítja a felvételt; a hangmód megnyitásának gyorsbillentyűje csak a hangvezérlőket nyitja meg.

Hang beállítása a Community kiadásban

  1. Nyisd meg a konfigurációs fájlodat. A szokásos, felhasználói könyvtárba telepített Community esetén ez a $CODUMENTOR_HOME/config.yaml (alapértelmezésben ~/.codumentor/config.yaml). Projektkonfiguráció esetén lásd a Community útmutatót.
  2. Add hozzá vagy egészítsd ki ezt a felső szintű blokkot, majd indítsd újra a Codumentort:

``yaml
speech:
enabled: true
base_url: "https://api.openai.com/v1"
allow_user_api_key: true
user_api_key_secret: speech_api_key
``

Az enabled: true kötelező: a hang alapértelmezésben ki van kapcsolva. A végpontnak támogatnia kell a beállított hangmodelleket; az alapérték whisper-1 az átíráshoz, tts-1 / alloy a felolvasáshoz. Más OpenAI-kompatibilis szolgáltatónál eltérő modellekre vagy base_url értékre lehet szükség.

  1. A Beállítások → Bővítmények → User Secrets részen adj hozzá egy speech_api_key nevű titkot, értékként a hangszolgáltatód tényleges API-kulcsával. A Host-only beállítás ajánlott: a kiszolgáló használhatja hanghoz anélkül, hogy az ügynök vagy a shell-eszköz környezetiváltozó-kötései hozzáférnének. A normál tárolt titok is működik. Ne ${secret:…} helyőrzőt adj meg értékként.
  2. Térj vissza egy beszélgetéshez, és próbáld ki a mikrofont. Engedélyezd a mikrofon használatát, amikor a böngésző kéri.

A User Secrets plugin az újonnan létrehozott konfigurációk személyes alapkonfigurációjában engedélyezett. Ettől a meglévő konfigurációkba nem kerül be automatikusan. Ha hiányzik a beállítási panel, engedélyezd a User Secrets plugint a meglévő pluginlistádban, majd indítsd újra az alkalmazást:

plugins:
  # A többi pluginbejegyzést tartsd meg.
  - module: codumentor.plugins.user_secrets
    class: UserSecretsPlugin
    priority: 3
    args:
      enabled: true

A fiókodnak user_secrets:manage jogosultság is kell (a power_user és admin szerepkör tartalmazza). Központilag üzemeltetett kiszolgálón kérd az adminisztrátor segítségét a telepítés konfigurációjának szerkesztése helyett.

Melyik kulcsot használja?

A használható telepítésszintű speech.api_key elsőbbséget élvez. Például a telepítés megadhatja az api_key: "${OPENAI_API_KEY}" értéket, és átadhatja ezt a környezeti változót a kiszolgálónak. A webes hangszolgáltatás csak használható telepítésszintű kulcs hiányában nyúl a hitelesített felhasználó saját tárolt titkához, a speech.allow_user_api_key és a fenti jogosultság függvényében. Más felhasználó kulcsát nem veszi kölcsön. Ha a szolgáltató elutasítja a telepítésszintű kulcsot, attól még nem próbálkozik újra a személyes kulcsoddal.

Ez külön, hanghoz készült hitelesítőadat-szabály, nem a tetszőleges ${secret:…} helyőrzők ügynökkörön kívüli feloldásának új támogatása. A fenti személyes beállításhoz hagyd megadás nélkül a speech.api_key mezőt. A Telegram hangüzenetei megtartják saját hitelesítőadat-kezelésüket: ez az új webes tartalék kulcsforrás, beleértve a Host-only hangkulcsokat, nem engedélyezi a Telegram hangfunkcióit.

Válassz hangfunkciót

FunkcióMi kell hozzá?
Push to talk: tartsd nyomva a chat mikrofonját egy üzenet diktálásáhozCsak beállított, engedélyezett hangszolgáltatás; a voice_mode plugin nem szükséges.
Felolvasás: az asszisztens válaszának lejátszásaEngedélyezett hangszolgáltatás és a Read Aloud plugin.
Élő hang: valós idejű hangbeszélgetésEngedélyezett Voice Mode plugin, benne live.enabled: true, továbbá az élő modellt támogató szolgáltató és kulcs. Opcionális haladó beállítás, diktáláshoz nem kell.

Kattints a mikrofonra a Hang panel megnyitásához; diktáláshoz tartsd nyomva. Akkor is gépelhetsz, ha a hang nem érhető el. A push-to-talk diktálás független a kéz nélküli módtól. A kéz nélküli (Hands-free) mód opcionális, és engedélyezett Voice Mode plugint igényel; diktáláshoz vagy felolvasáshoz nincs rá szükség. A haladó Voice Mode beállításokat a pluginkatalógus írja le.

Amíg a hang nincs beállítva: böngészős diktálás

A chat beviteli mezőjén egyetlen mikrofon van. Ha a hang még nem működik (nincs hangkulcs vagy élő hang), a mikrofon nem a hangvezérlőket nyitja meg, hanem egy kis Hangmód beállítása panelt. A panel leírja, mi hiányzik, és elérhető rajta a Felhasználói titkok megnyitása gomb meg a beállítási útmutató. Asztali böngészőben, ha a böngésző támogatja, a panel a Böngészős diktálás használata lehetőséget is felkínálja: ilyenkor a böngésző beírja a szövegmezőbe, amit mondasz. A hangot a böngésző beszédszolgáltatása dolgozza fel, nem a Codumentor.

Ezt a választást az eszköz megjegyzi. Ezután a mikrofon (felirata Diktálás (böngésző)) rögtön diktálást indít. A diktálás paneljén továbbra is ott a hangmód beállítására mutató hivatkozás; ott ki is kapcsolhatod a választást. Amint a hang be van állítva, a megjegyzett választás törlődik, és a mikrofon újra a hangmódot nyitja meg. Telefonon a panel csak a beállítást kínálja, mert a telefon billentyűzetén már van diktálás.

Költség, adatvédelem és böngészőkövetelmények

Lásd még: Beállítások, hangkonfigurációs referencia.