​

Voice Wake i Push-to-Talk

​

Tryby

• Tryb słowa wybudzającego (domyślny): stale aktywny rozpoznawacz mowy czeka na tokeny wyzwalające (swabbleTriggerWords). Po dopasowaniu rozpoczyna przechwytywanie, pokazuje nakładkę z częściowym tekstem i automatycznie wysyła po chwili ciszy.
• Push-to-talk (przytrzymanie prawego klawisza Option): przytrzymaj prawy klawisz Option, aby natychmiast rozpocząć przechwytywanie — bez potrzeby wyzwalacza. Nakładka jest widoczna podczas przytrzymania; zwolnienie kończy działanie i przekazuje tekst po krótkim opóźnieniu, aby można było go jeszcze poprawić.

​

Zachowanie w czasie działania (słowo wybudzające)

• Rozpoznawacz mowy działa w VoiceWakeRuntime.
• Wyzwolenie następuje tylko wtedy, gdy między słowem wybudzającym a następnym słowem występuje znacząca pauza (przerwa około 0,55 s). Nakładka/dźwięk mogą uruchomić się już podczas tej pauzy, jeszcze zanim rozpocznie się komenda.
• Okna ciszy: 2,0 s, gdy mowa trwa, 5,0 s, jeśli wykryto tylko wyzwalacz.
• Twarde zatrzymanie: 120 s, aby zapobiec niekontrolowanym sesjom.
• Debounce między sesjami: 350 ms.
• Nakładka jest sterowana przez VoiceWakeOverlayController z kolorystyką committed/volatile.
• Po wysłaniu rozpoznawacz uruchamia się ponownie w czysty sposób, aby nasłuchiwać kolejnego wyzwalacza.

​

Niezmienniki cyklu życia

• Jeśli Voice Wake jest włączone i uprawnienia zostały przyznane, rozpoznawacz słowa wybudzającego powinien nasłuchiwać (z wyjątkiem jawnego przechwytywania push-to-talk).
• Widoczność nakładki (w tym ręczne zamknięcie przyciskiem X) nigdy nie może uniemożliwiać wznowienia działania rozpoznawacza.

​

Tryb awarii z zablokowaną nakładką (wcześniej)

Wcześniej, jeśli nakładka zawiesiła się w stanie widocznym i została ręcznie zamknięta, Voice Wake mogło sprawiać wrażenie „martwego”, ponieważ próba ponownego uruchomienia w runtime mogła zostać zablokowana przez widoczność nakładki i nie planowano żadnego kolejnego restartu. Utwardzenie:

• Restart runtime wybudzania nie jest już blokowany przez widoczność nakładki.
• Zakończenie zamknięcia nakładki wywołuje VoiceWakeRuntime.refresh(...) przez VoiceSessionCoordinator, więc ręczne zamknięcie przyciskiem X zawsze wznawia nasłuchiwanie.

​

Szczegóły push-to-talk

• Wykrywanie skrótu klawiszowego używa globalnego monitora .flagsChanged dla prawego klawisza Option (keyCode 61 + .option). Tylko obserwujemy zdarzenia (bez ich przechwytywania).
• Potok przechwytywania znajduje się w VoicePushToTalk: natychmiast uruchamia Speech, strumieniuje częściowe wyniki do nakładki i po zwolnieniu wywołuje VoiceWakeForwarder.
• Gdy rozpoczyna się push-to-talk, wstrzymujemy runtime słowa wybudzającego, aby uniknąć konfliktujących tapów audio; po zwolnieniu uruchamia się on ponownie automatycznie.
• Uprawnienia: wymaga dostępu do mikrofonu i Speech; obserwowanie zdarzeń wymaga zgody na Dostępność/Input Monitoring.
• Klawiatury zewnętrzne: niektóre mogą nie udostępniać prawego klawisza Option zgodnie z oczekiwaniami — jeśli użytkownicy zgłaszają problemy, zaproponuj skrót awaryjny.

​

Ustawienia widoczne dla użytkownika

• Przełącznik Voice Wake: włącza runtime słowa wybudzającego.
• Przytrzymaj Cmd+Fn, aby mówić: włącza monitor push-to-talk. Wyłączone w macOS < 26.
• Selektory języka i mikrofonu, miernik poziomu na żywo, tabela słów wyzwalających, tester (tylko lokalnie; nie przekazuje dalej).
• Selektor mikrofonu zachowuje ostatni wybór po odłączeniu urządzenia, pokazuje wskazówkę o rozłączeniu i tymczasowo przełącza się na domyślne urządzenie systemowe do czasu jego powrotu.
• Dźwięki: sygnały przy wykryciu wyzwalacza i przy wysłaniu; domyślnie systemowy dźwięk macOS „Glass”. Dla każdego zdarzenia można wybrać dowolny plik ładowalny przez NSSound (np. MP3/WAV/AIFF) albo wybrać No Sound.

​

Zachowanie przekazywania

• Gdy Voice Wake jest włączone, transkrypcje są przekazywane do aktywnego gateway/agent (ten sam tryb lokalny lub zdalny, którego używa reszta aplikacji na Maca).
• Odpowiedzi są dostarczane do ostatnio używanego głównego providera (WhatsApp/Telegram/Discord/WebChat). Jeśli dostarczenie się nie powiedzie, błąd jest logowany, a przebieg nadal jest widoczny w WebChat/logach sesji.

​

Ładunek przekazywania

• VoiceWakeForwarder.prefixedTranscript(_:) dodaje wskazówkę o maszynie przed wysłaniem. Współdzielone między ścieżkami słowa wybudzającego i push-to-talk.

​

Szybka weryfikacja

• Włącz push-to-talk, przytrzymaj Cmd+Fn, powiedz coś, zwolnij: nakładka powinna pokazać częściowe wyniki, a następnie wysłać.
• Podczas przytrzymania uszy na pasku menu powinny pozostać powiększone (używa triggerVoiceEars(ttl:nil)); po zwolnieniu wracają do normalnego stanu.