macOS companion app

Activación por voz (macOS)

Activación por voz y pulsar para hablar

Requisitos

La activación por voz y pulsar para hablar requieren macOS 26 o una versión más reciente. En versiones anteriores de macOS, los controles están ocultos en la página de ajustes de Voz, que muestra el requisito de macOS 26.

Modos

Modo de palabra de activación (predeterminado): el reconocedor de voz siempre activo espera tokens de activación (swabbleTriggerWords). Cuando hay coincidencia, inicia la captura, muestra la superposición con texto parcial y envía automáticamente tras el silencio.
Pulsar para hablar (mantener Opción derecha): mantén pulsada la tecla Opción derecha para capturar de inmediato, sin activación necesaria. La superposición aparece mientras se mantiene pulsada; al soltar, finaliza y reenvía tras un breve retraso para que puedas ajustar el texto.

Comportamiento en tiempo de ejecución (palabra de activación)

El reconocedor de voz vive en VoiceWakeRuntime.
La activación solo se dispara cuando hay una pausa significativa entre la palabra de activación y la palabra siguiente (intervalo de ~0,55 s). La superposición/el timbre puede empezar en la pausa, incluso antes de que comience el comando.
Ventanas de silencio: 2,0 s cuando el habla está fluyendo, 5,0 s si solo se oyó la activación.
Parada forzada: 120 s para evitar sesiones descontroladas.
Antirrebote entre sesiones: 350 ms.
La superposición se controla mediante VoiceWakeOverlayController con coloreado confirmado/volátil.
Tras enviar, el reconocedor se reinicia limpiamente para escuchar la siguiente activación.

Invariantes del ciclo de vida

Si la activación por voz está habilitada y los permisos están concedidos, el reconocedor de palabra de activación debería estar escuchando (excepto durante una captura explícita de pulsar para hablar).
La visibilidad de la superposición (incluido el descarte manual mediante el botón X) nunca debe impedir que el reconocedor se reanude.

Modo de fallo de superposición persistente (anterior)

Antes, si la superposición se quedaba visible y la cerrabas manualmente, la activación por voz podía parecer "muerta" porque el intento de reinicio del tiempo de ejecución podía quedar bloqueado por la visibilidad de la superposición y no se programaba ningún reinicio posterior.

Endurecimiento:

El reinicio del tiempo de ejecución de activación ya no está bloqueado por la visibilidad de la superposición.
La finalización del descarte de la superposición dispara un VoiceWakeRuntime.refresh(...) mediante VoiceSessionCoordinator, de modo que descartar manualmente con X siempre reanuda la escucha.

Detalles de pulsar para hablar

La detección de la tecla rápida usa un monitor global .flagsChanged para Opción derecha (keyCode 61 + .option). Solo observamos eventos (sin tragarlos).
La canalización de captura vive en VoicePushToTalk: inicia Voz de inmediato, transmite parciales a la superposición y llama a VoiceWakeForwarder al soltar.
Cuando comienza pulsar para hablar, pausamos el tiempo de ejecución de palabra de activación para evitar tomas de audio en duelo; se reinicia automáticamente tras soltar.
Permisos: requiere Micrófono + Voz; ver eventos necesita aprobación de Accesibilidad/Monitorización de entrada.
Teclados externos: algunos pueden no exponer Opción derecha como se espera; ofrece un atajo alternativo si los usuarios informan de fallos.

Ajustes visibles para el usuario

Conmutador Activación por voz: habilita el tiempo de ejecución de palabra de activación.
Mantener Opción derecha para hablar: habilita el monitor de pulsar para hablar.
Selectores de idioma y micrófono, medidor de nivel en vivo, tabla de palabras de activación, probador (solo local; no reenvía).
El selector de micrófono conserva la última selección si un dispositivo se desconecta, muestra una indicación de desconectado y vuelve temporalmente al valor predeterminado del sistema hasta que regrese.
Sonidos: timbres al detectar activación y al enviar; el valor predeterminado es el sonido del sistema "Glass" de macOS. Puedes elegir cualquier archivo cargable por NSSound (p. ej., MP3/WAV/AIFF) para cada evento o elegir Sin sonido.

Comportamiento de reenvío

Cuando la activación por voz está habilitada, las transcripciones se reenvían al Gateway/agente activo (el mismo modo local frente a remoto que usa el resto de la aplicación de Mac).
Las respuestas se entregan al proveedor principal usado por última vez (WhatsApp/Telegram/Discord/WebChat). Si la entrega falla, el error se registra y la ejecución sigue visible mediante WebChat/registros de sesión.

Carga útil de reenvío

VoiceWakeForwarder.prefixedTranscript(_:) antepone la sugerencia de máquina antes de enviar. Se comparte entre las rutas de palabra de activación y pulsar para hablar.

Verificación rápida

Activa pulsar para hablar, mantén Opción derecha, habla y suelta: la superposición debería mostrar parciales y luego enviar.
Mientras mantienes pulsado, las orejas de la barra de menús deberían permanecer agrandadas (usa triggerVoiceEars(ttl:nil)); se reducen tras soltar.

Relacionado

Was this useful?