Ảnh và giọng nói

Một số người chủ yếu gửi ảnh, số khác chủ yếu nói chuyện bằng tin nhắn thoại. iRoof.top giữ được cả hai thói quen.

Hiểu chúng

Trong thư viện phương tiện, Mô tả bằng AI mô tả nhãn dán, GIF và ảnh và chuyển tin nhắn thoại thành văn bản bằng mô hình phương tiện, mô hình này phải chấp nhận hình ảnh và âm thanh. Đặt nó trong Cài đặt hoặc bằng OPENAI_MEDIA_MODEL, ví dụ google/gemini-3.5-flash-lite trên OpenRouter. Mô tả chỉ được tạo khi bạn nhấn nút, và với một mô hình cục bộ và Chế độ ngoại tuyến, ảnh không bao giờ rời khỏi máy tính của bạn.

<tin nhắn thoại 0:05: «những gì đã được nói»>

Khi một loại chiếm ưu thế, hồ sơ phong cách cho biết điều đó, ví dụ "chủ yếu nói chuyện bằng tin nhắn thoại (10 trên 10)".

Thư viện lớn

Một cuộc chat dài có thể chứa hàng chục nghìn nhãn dán, GIF và ảnh. Thư viện phương tiện giúp bạn tiêu token của mô hình vào nơi chúng quan trọng:

Điều khiển	Chức năng
Thẻ loại	Tất cả, Còn thiếu, Đã mô tả, Nhãn dán, GIF, Ảnh, Video, Giọng nói, kèm số đếm
Sắp xếp	dùng nhiều nhất (mặc định), dùng ít nhất, dùng gần đây, dùng lần đầu sớm nhất
Số lần dùng	ẩn các mục đã dùng ít hơn 2, 3, 5, 10 hoặc 25 lần
Tìm kiếm	trong mô tả và mã định danh

Mô tả N bằng AI mô tả chính xác những gì đang hiển thị và chưa được mô tả, từ trên xuống theo thứ tự đã chọn, bốn mục một lúc. Mỗi mô tả được lưu ngay khi nó đến. Dòng tiến trình hiển thị có bao nhiêu mục đã xong, lỗi, tốc độ và thời gian còn lại. Cùng nút đó biến thành Dừng: bạn có thể dừng bất cứ lúc nào, và lần chạy tiếp theo tiếp tục với phần còn lại. Một khởi đầu tốt cho cuộc chat lớn: Dùng nhiều nhất trước và Đã dùng từ 3 lần trở lên.

Tin nhắn thoại của bạn

Khi ô soạn thảo trống, nút gửi trở thành một micro, như trong Telegram. Bản ghi được chuyển thành WAV trong trình duyệt, tải lên và chuyển thành văn bản. Khách truy cập của liên kết chia sẻ cũng có thể ghi âm.

INFO

Trình duyệt chỉ cho phép ghi âm trên https:// hoặc localhost.

Ảnh và giọng nói của nhân vật

Kết nối một máy chủ MCP tạo hình ảnh và một máy chủ biết nói:

{
  "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"}}
}

Khi đó nhân vật có thêm hai hành động:

Hành động	Chức năng
send_voice {text}	gọi công cụ giọng nói (WAV, thử lại bằng mp3 nếu lỗi) và gửi một tin nhắn thoại
send_photo {prompt, caption?}	gọi công cụ hình ảnh và gửi một ảnh

• Khi kết nối công cụ giọng nói, các tin nhắn thoại đã chuyển thành văn bản của chính nhân vật được phát lại dưới dạng send_voice, để mô hình thấy thói quen ở dạng mà nó có thể tiếp tục.
• Giọng trong Chi tiết cuộc chat (ví dụ Puck) cho nhân vật giọng nói riêng của họ.
• Bất kỳ ảnh hoặc âm thanh nào khác mà công cụ MCP trả về sẽ trở thành phương tiện cuộc chat gen_… (kiểm tra theo nội dung, tối đa 25 MB, bị xóa cùng cuộc chat).

Chi phí

Mỗi ảnh hoặc tin nhắn thoại là một lần gọi có phí thêm: khoảng 0,01 $ mỗi ảnh với meta/muse-image, và vài giây TTS.