Fotos y voz

Algunas personas envían sobre todo fotos y otras hablan sobre todo en mensajes de voz. iRoof.top conserva ambos hábitos.

Entenderlos

En la biblioteca de medios, Describir con IA describe stickers, GIF y fotos y transcribe los mensajes de voz con el modelo de medios, que debe aceptar imágenes y audio. Configúralo en Ajustes o con OPENAI_MEDIA_MODEL, por ejemplo google/gemini-3.5-flash-lite en OpenRouter. Las descripciones solo se generan cuando pulsas el botón, y con un modelo local y el Modo sin conexión las fotos nunca salen de tu equipo.

<mensaje de voz 0:05: «lo que se dijo»>

Cuando predomina un tipo, el perfil de estilo lo indica, p. ej. «habla sobre todo en mensajes de voz (10 de 10)».

Bibliotecas grandes

Un chat largo puede tener decenas de miles de stickers, GIF y fotos. La biblioteca de medios te ayuda a gastar los tokens del modelo donde importan:

Control	Qué hace
Pestañas de tipo	Todos, Pendientes, Descritos, Stickers, GIF, Fotos, Vídeos, Voz, con recuentos
Orden	más usados (por defecto), menos usados, usados recientemente, usados por primera vez
Número de usos	oculta los elementos usados menos de 2, 3, 5, 10 o 25 veces
Búsqueda	en descripciones e ids

Describir N con IA describe exactamente lo que se muestra y aún no está descrito, de arriba abajo en el orden elegido, cuatro a la vez. Cada descripción se guarda en cuanto llega. La línea de progreso muestra cuántas están hechas, los fallos, la velocidad y el tiempo restante. El mismo botón se convierte en Detener: puedes parar en cualquier momento, y la siguiente ejecución continúa con el resto. Un buen comienzo para un chat grande: Más usados primero y Usados 3 o más veces.

Tus mensajes de voz

Con el campo de texto vacío, el botón de enviar se convierte en un micrófono, como en Telegram. La grabación se convierte a WAV en el navegador, se sube y se transcribe. Los visitantes de los enlaces para compartir también pueden grabar.

INFO

Los navegadores solo permiten grabar en https:// o localhost.

Las fotos y la voz de la persona

Conecta un servidor MCP que genere imágenes y otro que hable:

{
  "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"}}
}

La persona recibe entonces dos acciones más:

Acción	Qué hace
send_voice {text}	llama a la herramienta de voz (WAV, con reintento en mp3) y envía un mensaje de voz
send_photo {prompt, caption?}	llama a la herramienta de imágenes y envía una foto

• Con una herramienta de voz conectada, los mensajes de voz transcritos de la propia persona se reproducen como send_voice, para que el modelo vea el hábito en la forma que puede continuar.
• Voz en Detalles del chat (por ejemplo Puck) le da a la persona su propia voz.
• Cualquier otra imagen o audio que devuelva una herramienta MCP se convierte en medio del chat gen_… (se verifica por contenido, hasta 25 MB, y se borra con el chat).

Costes

Cada foto o mensaje de voz es una llamada de pago adicional: unos 0,01 $ por imagen con meta/muse-image, y unos segundos de TTS.