Fotos e voz

Algumas pessoas mandam principalmente fotos, outras falam principalmente em mensagens de voz. O iRoof.top mantém os dois hábitos.

Entendendo

Na biblioteca de mídia, Descrever com IA descreve figurinhas, GIFs e fotos e transcreve mensagens de voz com o modelo de mídia, que precisa aceitar imagens e áudio. Configure nas Configurações ou com OPENAI_MEDIA_MODEL, por exemplo google/gemini-3.5-flash-lite no OpenRouter. As descrições só são feitas quando você clica no botão, e com um modelo local e o modo offline as fotos nunca saem do seu computador.

<mensagem de voz 0:05: «o que foi dito»>

Quando um tipo domina, o perfil de estilo diz isso, por exemplo "fala principalmente em mensagens de voz (10 de 10)".

Bibliotecas grandes

Um chat longo pode ter dezenas de milhares de figurinhas, GIFs e fotos. A biblioteca de mídia ajuda a gastar os tokens do modelo onde eles importam:

Controle	O que faz
Abas por tipo	Todos, Faltando, Descritos, Figurinhas, GIFs, Fotos, Vídeos, Voz, com contagens
Ordem	mais usados (padrão), menos usados, usados recentemente, usados pela primeira vez
Número de usos	oculta itens usados menos de 2, 3, 5, 10 ou 25 vezes
Busca	nas descrições e nos ids

Descrever N com IA descreve exatamente o que está sendo mostrado e ainda não foi descrito, de cima para baixo na ordem escolhida, quatro por vez. Cada descrição é salva assim que chega. A linha de progresso mostra quantas estão prontas, as falhas, a velocidade e o tempo restante. O mesmo botão vira Parar: você pode parar a qualquer momento, e a próxima execução continua com o resto. Um bom começo para um chat grande: Mais usados primeiro e Usados 3 ou mais vezes.

Suas mensagens de voz

Com o campo de digitação vazio, o botão de enviar vira um microfone, como no Telegram. A gravação é convertida para WAV no navegador, enviada e transcrita. Visitantes dos links de compartilhamento também podem gravar.

INFO

Os navegadores só permitem gravar em https:// ou localhost.

As fotos e a voz da persona

Conecte um servidor MCP que gere imagens e um que fale:

{
  "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"}}
}

A persona então ganha mais duas ações:

Ação	O que faz
send_voice {text}	chama a ferramenta de voz (WAV, tentando de novo em mp3) e envia uma mensagem de voz
send_photo {prompt, caption?}	chama a ferramenta de imagem e envia uma foto

• Com uma ferramenta de voz conectada, as mensagens de voz transcritas da própria persona são reproduzidas como send_voice, para que o modelo veja o hábito na forma que ele consegue continuar.
• Voz em Detalhes do chat (por exemplo Puck) dá à persona a sua própria voz.
• Qualquer outra imagem ou áudio que uma ferramenta MCP devolver vira mídia do chat gen_… (verificada pelo conteúdo, até 25 MB, apagada com o chat).

Custos

Cada foto ou mensagem de voz é uma chamada paga extra: cerca de US$ 0,01 por imagem com meta/muse-image, e alguns segundos de TTS.