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
- Nyisd meg a konfigurációs fájlodat. A szokásos, felhasználói könyvtárba telepített Community esetén ez a
$CODUMENTOR_HOME/config.yaml(alapértelmezésben~/.codumentor/config.yaml). Projektkonfiguráció esetén lásd a Community útmutatót. - Add hozzá vagy egészítsd ki ezt a felső szintű blokkot, majd indítsd újra a Codumentort:
``yaml``
speech:
enabled: true
base_url: "https://api.openai.com/v1"
allow_user_api_key: true
user_api_key_secret: speech_api_key
Az enabled: true kötelező: a hang alapértelmezésben ki van kapcsolva. A végpontnak támogatnia kell a beállított hangmodelleket; az alapérték whisper-1 az átíráshoz, tts-1 / alloy a felolvasáshoz. Más OpenAI-kompatibilis szolgáltatónál eltérő modellekre vagy base_url értékre lehet szükség.
- A Beállítások → Bővítmények → User Secrets részen adj hozzá egy
speech_api_keynevű titkot, értékként a hangszolgáltatód tényleges API-kulcsával. A Host-only beállítás ajánlott: a kiszolgáló használhatja hanghoz anélkül, hogy az ügynök vagy a shell-eszköz környezetiváltozó-kötései hozzáférnének. A normál tárolt titok is működik. Ne${secret:…}helyőrzőt adj meg értékként. - 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.
- Az
allow_user_api_keyalapértéke Community eseténtrue, Enterprise eseténfalse; az adminisztrátor ezt kifejezetten felülírhatja. - A
user_api_key_secretalapértékespeech_api_key. Ha az adminisztrátor átnevezi, a kulcsodat pontosan az általa megadott néven tárold. - A személyes kulcs használatához is külön engedélyezni kell a hangot. Egy kulcs mentése önmagában nem kapcsolja be.
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
| Funkció | Mi kell hozzá? |
|---|---|
| Push to talk: tartsd nyomva a chat mikrofonját egy üzenet diktálásához | Csak beállított, engedélyezett hangszolgáltatás; a voice_mode plugin nem szükséges. |
| Felolvasás: az asszisztens válaszának lejátszása | Engedélyezett hangszolgáltatás és a Read Aloud plugin. |
| Élő hang: valós idejű hangbeszélgetés | Engedélyezett 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
- A hanghasználatot a kiválasztott kulcshoz tartozó hangszolgáltató számlázza, a chatmodell használatától külön. Telepítésszintű kulcs esetén a telepítés szolgáltatói fiókját terheli a költség; személyes kulcs esetén a tiédet. Az élő hangnak saját hangalapú díjazása van, és drágább is lehet; nézd meg a szolgáltató árait és korlátait.
- Az átírandó mikrofonfelvételek a Codumentor kiszolgálóján keresztül jutnak a beállított hangszolgáltatóhoz. A felolvasás a válasz szövegét küldi oda hanggeneráláshoz. Élő módban a kiszolgálóoldali hívásfelépítés után a hang közvetlenül a böngésző és az élő szolgáltató között áramlik. Külső szolgáltató használata előtt mérlegeld a beszéd és a válasz érzékeny tartalmát; a Host-only a kulcs kitettségét védi, nem a szolgáltatónak elküldött hangot vagy szöveget.
- Mikrofonrögzítéshez biztonságos böngészőeredet kell: HTTPS vagy localhost. Távoli gépen a sima HTTP nem elegendő. Engedélyezd a mikrofont a böngésző/webhely beállításaiban, és ellenőrizd a kiválasztott bemeneti eszközt.
- Ha a hang továbbra sem érhető el, ellenőrizd a
speech.enabledértéket, a végpontot és a modelleket, a titok pontos nevét, a User Secrets plugint/jogosultságot és a telepítés személyeskulcs-szabályát. A feloldatlan környezetiváltozó-helyőrző nem használható kulcs. Egy megadott kulcs is hibázhat, ha a szolgáltató elutasítja, nincs egyenleg, vagy nem érhető el vele a kért hangmodell.
Lásd még: Beállítások, hangkonfigurációs referencia.