Fotos & Sprache

Manche Menschen schicken vor allem Fotos, andere reden vor allem in Sprachnachrichten. iRoof.top bewahrt beide Gewohnheiten.

Sie verstehen

In der Medienbibliothek beschreibt Mit KI beschreiben Sticker, GIFs und Fotos und transkribiert Sprachnachrichten mit dem Medienmodell, das Bilder und Audio annehmen muss. Stelle es in den Einstellungen oder mit OPENAI_MEDIA_MODEL ein, zum Beispiel google/gemini-3.5-flash-lite bei OpenRouter. Beschreibungen entstehen nur, wenn du den Knopf drückst, und mit einem lokalen Modell und dem Offline-Modus verlassen die Fotos nie deinen Computer.

<Sprachnachricht 0:05: «was gesagt wurde»>

Wenn eine Art dominiert, sagt das Stilprofil es, z. B. „redet meist in Sprachnachrichten (10 von 10)“.

Große Bibliotheken

Ein langer Chat kann Zehntausende Sticker, GIFs und Fotos enthalten. Die Medienbibliothek hilft dir, die Tokens des Modells dort auszugeben, wo sie zählen:

Bedienelement	Was es tut
Art-Reiter	Alle, Fehlend, Beschrieben, Sticker, GIFs, Fotos, Videos, Sprache, mit Anzahl
Sortierung	am häufigsten genutzt (Standard), am seltensten, zuletzt genutzt, zuerst genutzt
Nutzungsanzahl	blendet Elemente aus, die weniger als 2, 3, 5, 10 oder 25 Mal genutzt wurden
Suche	in Beschreibungen und IDs

N mit KI beschreiben beschreibt genau das, was angezeigt und noch nicht beschrieben ist, von oben nach unten in der gewählten Reihenfolge, vier auf einmal. Jede Beschreibung wird gespeichert, sobald sie eintrifft. Die Fortschrittszeile zeigt, wie viele fertig sind, Fehler, die Geschwindigkeit und die verbleibende Zeit. Derselbe Knopf wird zu Stopp: Du kannst jederzeit anhalten, und der nächste Lauf macht mit dem Rest weiter. Ein guter Start für einen großen Chat: Meistgenutzte zuerst und 3 oder mehr Nutzungen.

Deine Sprachnachrichten

Bei leerem Eingabefeld wird der Senden-Knopf zu einem Mikrofon, wie bei Telegram. Die Aufnahme wird im Browser in WAV umgewandelt, hochgeladen und transkribiert. Besucher von Share-Links können ebenfalls aufnehmen.

INFO

Browser erlauben Aufnahmen nur auf https:// oder localhost.

Die Fotos und Sprache der Person

Verbinde einen MCP-Server, der Bilder erzeugt, und einen, der spricht:

{
  "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"}}
}

Die Person erhält dann zwei weitere Aktionen:

Aktion	Was sie tut
send_voice {text}	ruft das Sprach-Tool auf (WAV, bei Fehler erneut als mp3) und sendet eine Sprachnachricht
send_photo {prompt, caption?}	ruft das Bild-Tool auf und sendet ein Foto

• Mit einem verbundenen Sprach-Tool werden die transkribierten Sprachnachrichten der Person selbst als send_voice wiedergegeben, damit das Modell die Gewohnheit in der Form sieht, die es fortsetzen kann.
• Stimme in Chat-Details (z. B. Puck) gibt der Person ihre eigene Stimme.
• Jedes andere Bild oder Audio, das ein MCP-Tool zurückgibt, wird zu Chat-Medium gen_… (nach Inhalt geprüft, bis 25 MB, und mit dem Chat gelöscht).

Kosten

Jedes Foto oder jede Sprachnachricht ist ein zusätzlicher kostenpflichtiger Aufruf: etwa 0,01 $ pro Bild mit meta/muse-image, und ein paar Sekunden TTS.