عکس و صدا

برخی افراد بیشتر عکس می‌فرستند، برخی بیشتر با پیام صوتی صحبت می‌کنند. iRoof.top هر دو عادت را نگه می‌دارد.

درک کردن

در کتابخانه‌ی رسانه، توصیف با AI برچسب‌ها، GIF و عکس‌ها را توصیف می‌کند و پیام‌های صوتی را به متن تبدیل می‌کند با مدل رسانه‌ای، که باید تصویر و صدا را بپذیرد. آن را در تنظیمات یا با OPENAI_MEDIA_MODEL تنظیم کنید، برای مثال google/gemini-3.5-flash-lite در OpenRouter. توصیف‌ها فقط وقتی ساخته می‌شوند که دکمه را بزنید، و با یک مدل محلی و حالت آفلاین عکس‌ها هرگز رایانه‌ی شما را ترک نمی‌کنند.

<پیام صوتی 0:05: «آنچه گفته شد»>

وقتی یک نوع غالب باشد، پروفایل سبک آن را می‌گوید، مثلاً «بیشتر با پیام صوتی صحبت می‌کند (۱۰ از ۱۰)».

کتابخانه‌های بزرگ

یک گفتگوی طولانی ممکن است ده‌ها هزار برچسب، GIF و عکس داشته باشد. کتابخانه‌ی رسانه به شما کمک می‌کند توکن‌های مدل را جایی خرج کنید که بیشترین اهمیت را دارد:

کنترل	کاربرد
زبانه‌های نوع	همه، ناقص، توصیف‌شده، برچسب‌ها، GIF، عکس‌ها، ویدیوها، صدا، با شمارش
مرتب‌سازی	پراستفاده‌ترین (پیش‌فرض)، کم‌استفاده‌ترین، اخیراً استفاده‌شده، اولین استفاده
تعداد استفاده	مواردی را که کمتر از ۲، ۳، ۵، ۱۰ یا ۲۵ بار استفاده شده‌اند پنهان می‌کند
جستجو	در توصیف‌ها و شناسه‌ها

توصیف N با AI دقیقاً آنچه نمایش داده می‌شود و هنوز توصیف نشده را توصیف می‌کند، از بالا به پایین با ترتیب انتخابی، چهار تا در هر بار. هر توصیف به محض رسیدن ذخیره می‌شود. خط پیشرفت نشان می‌دهد چند مورد تمام شده، خطاها، سرعت و زمان باقی‌مانده. همان دکمه به Stop تبدیل می‌شود: می‌توانید هر زمان متوقف کنید، و اجرای بعدی با بقیه ادامه می‌یابد. شروع خوب برای یک گفتگوی بزرگ: اول پراستفاده‌ترین‌ها و استفاده‌شده ۳ بار یا بیشتر.

پیام‌های صوتی شما

وقتی فیلد نوشتن خالی است، دکمه‌ی ارسال مانند تلگرام به یک میکروفون تبدیل می‌شود. ضبط در مرورگر به WAV تبدیل می‌شود، بارگذاری می‌شود و به متن تبدیل می‌شود. بازدیدکنندگان پیوندهای اشتراک‌گذاری هم می‌توانند ضبط کنند.

INFO

مرورگرها ضبط را فقط روی https:// یا localhost مجاز می‌دانند.

عکس‌ها و صدای شخصیت

یک سرور MCP که تصویر می‌سازد و یکی که صحبت می‌کند را وصل کنید:

{
  "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"}}
}

آنگاه شخصیت دو کنش دیگر پیدا می‌کند:

کنش	کاربرد
send_voice {text}	ابزار گفتار را فراخوانی می‌کند (WAV، در صورت خطا با mp3 دوباره) و یک پیام صوتی می‌فرستد
send_photo {prompt, caption?}	ابزار تصویر را فراخوانی می‌کند و یک عکس می‌فرستد

• وقتی یک ابزار گفتار وصل باشد، پیام‌های صوتی متن‌شده‌ی خود شخصیت به‌صورت send_voice پخش می‌شوند، تا مدل عادت را به شکلی ببیند که بتواند ادامه دهد.
• صدا در جزئیات گفتگو (برای مثال Puck) به شخصیت صدای خودش را می‌دهد.
• هر تصویر یا صوت دیگری که یک ابزار MCP برمی‌گرداند، به رسانه‌ی گفتگوی gen_… تبدیل می‌شود (بر اساس محتوا بررسی می‌شود، تا ۲۵ مگابایت، و همراه گفتگو حذف می‌شود).

هزینه‌ها

هر عکس یا پیام صوتی یک فراخوانی پولی اضافی است: حدود ۰٫۰۱ دلار برای هر تصویر با meta/muse-image، و چند ثانیه TTS.