Zdjęcia i głos

Niektórzy ludzie wysyłają głównie zdjęcia, inni rozmawiają głównie w wiadomościach głosowych. iRoof.top zachowuje oba nawyki.

Rozumienie

W bibliotece mediów Opisz z AI opisuje naklejki, GIF-y i zdjęcia oraz transkrybuje wiadomości głosowe za pomocą modelu mediów, który musi przyjmować obrazy i audio. Ustaw go w Ustawieniach albo przez OPENAI_MEDIA_MODEL, na przykład google/gemini-3.5-flash-lite na OpenRouterze. Opisy powstają tylko wtedy, gdy naciśniesz przycisk, a z lokalnym modelem i trybem offline zdjęcia nigdy nie opuszczają twojego komputera.

<wiadomość głosowa 0:05: «co zostało powiedziane»>

Gdy dominuje jeden rodzaj, profil stylu to mówi, np. „mówi głównie wiadomościami głosowymi (10 z 10)”.

Duże biblioteki

Długi czat może mieć dziesiątki tysięcy naklejek, GIF-ów i zdjęć. Biblioteka mediów pomaga wydać tokeny modelu tam, gdzie mają największe znaczenie:

Element	Co robi
Karty rodzajów	Wszystkie, Brakujące, Opisane, Naklejki, GIF-y, Zdjęcia, Wideo, Głos, z liczbami
Sortowanie	najczęściej używane (domyślnie), najrzadziej używane, ostatnio użyte, najdawniej użyte
Liczba użyć	ukrywa elementy użyte mniej niż 2, 3, 5, 10 lub 25 razy
Wyszukiwanie	w opisach i identyfikatorach

Opisz N z AI opisuje dokładnie to, co jest pokazane i jeszcze nieopisane, od góry do dołu w wybranej kolejności, po cztery naraz. Każdy opis jest zapisywany, gdy tylko nadejdzie. Wiersz postępu pokazuje, ile jest gotowych, błędy, tempo i pozostały czas. Ten sam przycisk zmienia się w Zatrzymaj: możesz zatrzymać w każdej chwili, a następne uruchomienie kontynuuje z resztą. Dobry start dla dużego czatu: Najczęściej używane najpierw i Użyte 3 razy lub więcej.

Twoje wiadomości głosowe

Gdy pole pisania jest puste, przycisk wysyłania staje się mikrofonem, jak w Telegramie. Nagranie jest konwertowane do WAV w przeglądarce, wysyłane i transkrybowane. Odwiedzający linków udostępniania też mogą nagrywać.

INFO

Przeglądarki zezwalają na nagrywanie tylko na https:// lub localhost.

Zdjęcia i głos postaci

Podłącz serwer MCP, który tworzy obrazy, i ten, który mówi:

{
  "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"}}
}

Postać dostaje wtedy dwie kolejne akcje:

Akcja	Co robi
send_voice {text}	wywołuje narzędzie mowy (WAV, przy błędzie ponawiane w mp3) i wysyła wiadomość głosową
send_photo {prompt, caption?}	wywołuje narzędzie obrazów i wysyła zdjęcie

• Gdy podłączone jest narzędzie mowy, transkrybowane wiadomości głosowe samej postaci są odtwarzane jako send_voice, żeby model widział nawyk w formie, którą może kontynuować.
• Głos w Szczegółach czatu (na przykład Puck) nadaje postaci jej własny głos.
• Każdy inny obraz lub dźwięk zwrócony przez narzędzie MCP staje się medium czatu gen_… (sprawdzanym po zawartości, do 25 MB, usuwanym razem z czatem).

Koszty

Każde zdjęcie lub wiadomość głosowa to dodatkowe płatne wywołanie: około 0,01 $ za obraz z meta/muse-image i kilka sekund TTS.