फ़ोटो और आवाज़

कुछ लोग मुख्य रूप से फ़ोटो भेजते हैं, कुछ मुख्य रूप से वॉइस संदेशों में बात करते हैं। iRoof.top दोनों आदतें बनाए रखता है।

समझना

मीडिया लाइब्रेरी में AI से वर्णन करें स्टिकर, GIF और फ़ोटो का वर्णन करता है और वॉइस संदेशों का ट्रांसक्रिप्शन करता है, मीडिया मॉडल के साथ, जिसे छवियाँ और ऑडियो स्वीकार करने चाहिए। इसे सेटिंग्स में या OPENAI_MEDIA_MODEL से सेट करें, उदाहरण के लिए OpenRouter पर google/gemini-3.5-flash-lite। वर्णन केवल तब बनते हैं जब आप बटन दबाते हैं, और स्थानीय मॉडल व ऑफ़लाइन मोड के साथ फ़ोटो कभी आपके कंप्यूटर से बाहर नहीं जाते।

text

<वॉइस संदेश 0:05: «जो कहा गया»>

जब कोई एक प्रकार हावी होता है, तो स्टाइल प्रोफ़ाइल यह बताती है, जैसे "मुख्य रूप से वॉइस संदेशों में बात करते हैं (10 में से 10)"।

बड़ी लाइब्रेरी

एक लंबी चैट में दसियों हज़ार स्टिकर, GIF और फ़ोटो हो सकते हैं। मीडिया लाइब्रेरी आपको मॉडल के टोकन वहाँ खर्च करने में मदद करती है जहाँ वे सबसे ज़्यादा मायने रखते हैं:

नियंत्रण	क्या करता है
प्रकार के टैब	सभी, छूटे हुए, वर्णित, स्टिकर, GIF, फ़ोटो, वीडियो, वॉइस, गिनती के साथ
क्रम	सबसे ज़्यादा इस्तेमाल (डिफ़ॉल्ट), सबसे कम, हाल में इस्तेमाल, सबसे पहले इस्तेमाल
उपयोग की संख्या	2, 3, 5, 10, या 25 से कम बार इस्तेमाल हुए आइटम छिपाता है
खोज	वर्णन और ID में

N का AI से वर्णन करें ठीक वही वर्णन करता है जो दिख रहा है और जिसका वर्णन अभी नहीं हुआ, चुने गए क्रम में ऊपर से नीचे, एक बार में चार। हर वर्णन आते ही सहेजा जाता है। प्रगति की पंक्ति दिखाती है कि कितने पूरे हुए, विफलताएँ, गति, और बचा हुआ समय। वही बटन Stop बन जाता है: आप कभी भी रोक सकते हैं, और अगला रन बाकी से जारी रहता है। बड़ी चैट के लिए एक अच्छी शुरुआत: सबसे ज़्यादा इस्तेमाल वाले पहले और 3 या उससे ज़्यादा बार इस्तेमाल।

आपके वॉइस संदेश

इनपुट खाली होने पर भेजने का बटन Telegram की तरह माइक्रोफ़ोन बन जाता है। रिकॉर्डिंग ब्राउज़र में WAV में बदलती है, अपलोड होती है और ट्रांसक्राइब होती है। शेयर लिंक के विज़िटर भी रिकॉर्ड कर सकते हैं।

INFO

ब्राउज़र रिकॉर्डिंग केवल https:// या localhost पर अनुमति देते हैं।

पर्सोना की फ़ोटो और आवाज़

एक MCP सर्वर जोड़ें जो छवियाँ बनाए, और एक जो बोले:

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"}}
}

फिर पर्सोना को दो और क्रियाएँ मिलती हैं:

क्रिया	क्या करती है
`send_voice {text}`	स्पीच टूल कॉल करती है (WAV, विफल होने पर mp3 से दोबारा) और एक वॉइस संदेश भेजती है
`send_photo {prompt, caption?}`	इमेज टूल कॉल करती है और एक फ़ोटो भेजती है

स्पीच टूल जुड़ा हो तो पर्सोना के अपने ट्रांसक्राइब किए गए वॉइस संदेश send_voice के रूप में दोहराए जाते हैं, ताकि मॉडल आदत को उस रूप में देखे जिसे वह जारी रख सके।
चैट विवरण में Voice (उदाहरण के लिए Puck) पर्सोना को उसकी अपनी आवाज़ देता है।
MCP टूल द्वारा लौटाई गई कोई भी दूसरी छवि या ऑडियो चैट मीडिया gen_… बन जाता है (सामग्री से जाँचा जाता है, 25 MB तक, और चैट के साथ हटाया जाता है)।

लागत

हर फ़ोटो या वॉइस संदेश एक अतिरिक्त भुगतान वाली कॉल है: meta/muse-image के साथ लगभग $0.01 प्रति छवि, और कुछ सेकंड का TTS।

फ़ोटो और आवाज़ ​

समझना ​

बड़ी लाइब्रेरी ​

आपके वॉइस संदेश ​

पर्सोना की फ़ोटो और आवाज़ ​

फ़ोटो और आवाज़

समझना

बड़ी लाइब्रेरी

आपके वॉइस संदेश

पर्सोना की फ़ोटो और आवाज़