ছবি ও ভয়েস

কেউ কেউ প্রধানত ছবি পাঠায়, কেউ প্রধানত ভয়েস বার্তায় কথা বলে। iRoof.top দুটি অভ্যাসই ধরে রাখে।

বোঝা

মিডিয়া লাইব্রেরিতে AI দিয়ে বর্ণনা করুন স্টিকার, GIF ও ছবির বর্ণনা দেয় এবং ভয়েস বার্তা ট্রান্সক্রাইব করে মিডিয়া মডেল দিয়ে, যাকে ছবি ও অডিও গ্রহণ করতে হবে। এটি সেটিংসে বা OPENAI_MEDIA_MODEL দিয়ে সেট করুন, যেমন OpenRouter-এ google/gemini-3.5-flash-lite। বর্ণনা শুধু তখনই তৈরি হয় যখন আপনি বোতাম চাপেন, এবং একটি স্থানীয় মডেল ও অফলাইন মোড-এর সাথে ছবিগুলো কখনো আপনার কম্পিউটার ছাড়ে না।

text

<ভয়েস বার্তা 0:05: «যা বলা হয়েছে»>

যখন একটি ধরন প্রাধান্য পায়, স্টাইল প্রোফাইল তা বলে, যেমন "প্রধানত ভয়েস বার্তায় কথা বলে (১০টির মধ্যে ১০)"।

বড় লাইব্রেরি

একটি দীর্ঘ চ্যাটে হাজার হাজার স্টিকার, GIF ও ছবি থাকতে পারে। মিডিয়া লাইব্রেরি মডেলের টোকেন সেখানে খরচ করতে সাহায্য করে যেখানে তা সবচেয়ে গুরুত্বপূর্ণ:

নিয়ন্ত্রণ	কী করে
ধরনের ট্যাব	সব, অনুপস্থিত, বর্ণিত, স্টিকার, GIF, ছবি, ভিডিও, ভয়েস, গণনাসহ
সাজানো	সবচেয়ে বেশি ব্যবহৃত (ডিফল্ট), সবচেয়ে কম, সম্প্রতি ব্যবহৃত, প্রথম ব্যবহৃত
ব্যবহারের সংখ্যা	২, ৩, ৫, ১০ বা ২৫-এর কম ব্যবহৃত আইটেম লুকায়
অনুসন্ধান	বর্ণনা ও আইডিতে

N-টি AI দিয়ে বর্ণনা করুন ঠিক যা দেখানো হচ্ছে এবং এখনো বর্ণনা হয়নি, তা নির্বাচিত ক্রমে উপর থেকে নিচে, একবারে চারটি করে বর্ণনা করে। প্রতিটি বর্ণনা আসার সাথে সাথে সংরক্ষিত হয়। অগ্রগতির লাইনে দেখা যায় কতগুলো সম্পন্ন, ব্যর্থতা, গতি এবং বাকি সময়। একই বোতাম Stop হয়ে যায়: আপনি যেকোনো সময় থামাতে পারেন, এবং পরের রান বাকিগুলো দিয়ে চালু থাকে। একটি বড় চ্যাটের ভালো শুরু: সবচেয়ে বেশি ব্যবহৃত আগে এবং ৩ বা তার বেশি ব্যবহৃত।

আপনার ভয়েস বার্তা

ইনপুট ফাঁকা থাকলে পাঠানোর বোতাম Telegram-এর মতো একটি মাইক্রোফোন হয়ে যায়। রেকর্ডিং ব্রাউজারে WAV-এ রূপান্তরিত হয়, আপলোড হয় এবং ট্রান্সক্রাইব হয়। শেয়ার লিংকের ভিজিটররাও রেকর্ড করতে পারে।

INFO

ব্রাউজার শুধু https:// বা localhost-এ রেকর্ডিং অনুমতি দেয়।

পার্সোনার ছবি ও ভয়েস

একটি MCP সার্ভার যুক্ত করুন যা ছবি তৈরি করে, এবং একটি যা কথা বলে:

json

{
  "img": {"command": "npx", "args": ["-y", "@dtst/img"],
          "env": {"OPENAI_BASE_URL": "https://openrouter.ai/api/v1", "OPENAI_API_KEY": "${OPENAI_API_KEY}", "OPENAI_MODEL": "meta/muse-image"}},
  "tts": {"command": "npx", "args": ["-y", "@dtst/tts"],
          "env": {"OPENAI_BASE_URL": "https://openrouter.ai/api/v1", "OPENAI_API_KEY": "${OPENAI_API_KEY}",
                  "OPENAI_MODEL": "google/gemini-3.8-flash-lite-tts", "OPENAI_VOICE": "Laomedeia"}}
}

তখন পার্সোনা আরও দুটি কাজ পায়:

কাজ	কী করে
`send_voice {text}`	স্পিচ টুল কল করে (WAV, ব্যর্থ হলে mp3 দিয়ে আবার চেষ্টা) এবং একটি ভয়েস বার্তা পাঠায়
`send_photo {prompt, caption?}`	ইমেজ টুল কল করে এবং একটি ছবি পাঠায়

একটি স্পিচ টুল যুক্ত থাকলে, পার্সোনার নিজের ট্রান্সক্রাইব করা ভয়েস বার্তাগুলো send_voice হিসেবে পুনরায় চালানো হয়, যাতে মডেল অভ্যাসটিকে এমন আকারে দেখে যা সে চালিয়ে নিতে পারে।
চ্যাটের বিবরণ-এর Voice (যেমন Puck) পার্সোনাকে তার নিজের কণ্ঠ দেয়।
একটি MCP টুল যা অন্য কোনো ছবি বা অডিও ফেরত দেয়, তা চ্যাট মিডিয়া gen_… হয় (কনটেন্ট দিয়ে যাচাই করা হয়, ২৫ MB পর্যন্ত, এবং চ্যাটের সাথে মুছে যায়)।

খরচ

প্রতিটি ছবি বা ভয়েস বার্তা একটি অতিরিক্ত পেইড কল: meta/muse-image দিয়ে প্রতি ছবিতে প্রায় $০.০১, এবং কয়েক সেকেন্ডের TTS।

ছবি ও ভয়েস ​

বোঝা ​

বড় লাইব্রেরি ​

আপনার ভয়েস বার্তা ​

পার্সোনার ছবি ও ভয়েস ​

ছবি ও ভয়েস

বোঝা

বড় লাইব্রেরি

আপনার ভয়েস বার্তা

পার্সোনার ছবি ও ভয়েস