Modo de voz
El modo de voz convierte un chat en una conversación manos libres por turnos: Libre escucha, transcribe lo que has dicho, genera una respuesta y la reproduce, para después volver a escuchar. Puedes interrumpir una respuesta hablada simplemente hablando por encima. Todo pasa por los mismos contratos de conversión de voz a texto y de texto a voz que las funciones de dictado y lectura en voz alta del redactor; el modo de voz solo añade orquestación, nunca una ruta de audio nueva.
Iniciar una conversación
Abre un chat y pulsa el botón de modo de voz situado junto al micrófono del redactor. El botón aparece siempre que la entrada de voz está disponible: mediante un modelo de conversión de voz a texto de un proveedor (el mismo catálogo que usa el dictado del redactor, documentado en la página de voz a texto) o mediante el reconocimiento de voz del navegador. Las respuestas habladas usan el modelo y la voz de texto a voz que hayas configurado, incluida una voz guardada con consentimiento activo, y el propio gesto de apertura las prepara para cumplir la política de reproducción automática del navegador.
El bucle de conversación
Solo hay un turno activo, que pasa por cuatro fases visibles:
| Fase | Qué ocurre |
|---|---|
| Escucha | El micrófono graba; una pausa de unos 1.5 s termina tu turno |
| Transcripción | El proveedor seleccionado o el navegador transcribe la grabación |
| Reflexión | La transcripción se envía como mensaje normal y se genera la respuesta |
| Reproducción | La respuesta se reproduce según tu configuración de texto a voz |
Controles disponibles mientras la superposición está abierta:
- He terminado de hablar finaliza tu turno de inmediato; resulta útil en lugares ruidosos o cuando no hay análisis de audio para detectar el final automáticamente.
- Silenciar pausa la captura sin abandonar la conversación; al quitar el silencio comienza un turno nuevo.
- Omitir respuesta detiene la reproducción y vuelve a escuchar.
- Interrupción por voz: empieza a hablar mientras se reproduce la respuesta; esta se detendrá y volverá la escucha para tu turno siguiente.
- Cerrar desmonta la sesión: detiene el flujo del micrófono, aborta cualquier transcripción en curso y cancela la reproducción.
Los fallos nunca terminan la conversación. Un error del micrófono, una grabación rechazada, un fallo de transcripción o el agotamiento del tiempo de una respuesta se muestran en línea, y el modo de voz vuelve a escuchar el turno siguiente.
Gobernanza y privacidad
El modo de voz tiene su propio modo de acceso (voice-mode) en la tarjeta de acceso
de voz de Gestión de usuarios, separado de la conversión de voz a texto, la
conversión de texto a voz y la clonación de voz; la variable de entorno
VOICE_MODE_ACCESS_MODE lo fija. La transcripción y la síntesis de voz también se
rigen por sus propias puertas de función, por lo que restringir cualquiera de ellas
desactiva esa parte del bucle. Las grabaciones siguen el contrato de voz a texto:
están validadas, acotadas y son efímeras. El audio de un turno solo existe el tiempo
necesario para transcribirlo, y únicamente la transcripción entra en el chat como un
mensaje normal.
Límites
- El modo de voz funciona por turnos, no en dúplex completo: no transmite a la vez el audio del micrófono y la voz del modelo por una conexión en tiempo real.
- La detección automática del final y la interrupción por voz necesitan análisis de audio; cuando el navegador no puede proporcionarlo, el control manual He terminado de hablar finaliza el turno.
- Las respuestas por turnos se procesan una a una; las palabras pronunciadas durante una interrupción no pasan a la transcripción del turno siguiente.