音声モード

音声モードは、チャットをハンズフリーのターン制会話に変えます。Libre が音声を聞き取り、発言を文字に起こし、返答を生成して読み上げ、また聞き取りを始めます。返答の読み上げ中に話しかけるだけで割り込めます。すべて、入力欄の音声入力機能や読み上げ機能と同じ音声認識・音声合成コントラクトを通じて実行されます。音声モードが追加するのは処理の連携だけで、新しい音声経路ではありません。

会話を開始する

チャットを開き、入力欄のマイクの横にある音声モードボタンを押します。ボタンは、音声入力を利用できる場合に表示されます。利用できるのは、プロバイダーの音声認識モデル（入力欄の音声入力と同じカタログ。音声認識ページを参照）またはブラウザ内蔵の音声認識です。返答の読み上げには、設定済みの音声合成モデルと音声を使用します。有効な同意が保存された音声も利用できます。開始時の操作によって、ブラウザの自動再生ポリシーに対する準備も整います。

会話ループ

一度に有効になるターンは 1 つだけで、画面に表示される 4 つのフェーズを順に進みます。

フェーズ	実行中の処理
聞き取り中	マイクで録音し、約 1.5 秒の無音で発言ターンを終了
文字起こし中	選択したプロバイダーまたはブラウザが録音を文字起こし
考え中	文字起こしを通常のチャットメッセージとして送信し、返答を生成
読み上げ中	音声合成設定を使って返答を再生

オーバーレイを開いている間は、次の操作を利用できます。

• 発言終了を押すと、すぐに自分のターンを終了します。騒がしい場所や、自動的な発話区切りに使える音声分析がない場合に便利です。
• ミュートは、会話を終了せずに録音を一時停止します。ミュートを解除すると新しいターンが始まります。
• 返答をスキップすると再生が止まり、聞き取りに戻ります。
• 割り込み: 返答の再生中に話し始めると再生が停止し、次のターンの聞き取りに戻ります。
• 閉じるとセッションを完全に終了します。マイクストリームが停止し、処理中の文字起こしは中止され、再生もキャンセルされます。

失敗しても会話は終了しません。マイクエラー、録音の拒否、文字起こしの失敗、返答のタイムアウトは画面内に表示され、音声モードは次のターンの聞き取りへ戻ります。

ガバナンスとプライバシー

音声モードには、ユーザー管理の「音声アクセス」カード内で独立したアクセスモード（voice-mode）が適用されます。音声認識、音声合成、音声クローニングとは別で、VOICE_MODE_ACCESS_MODE 環境変数を使って固定できます。文字起こしと音声合成には、それぞれ独自の機能ゲートも適用されるため、どちらかを制限するとループの該当部分が無効になります。録音は音声認識コントラクトに従い、検証済み、サイズ制限付き、一時的なものとして扱われます。各ターンの音声は文字起こしに必要な間だけ存在し、チャットに通常のメッセージとして入るのは文字起こしだけです。

境界

• 音声モードはターン制であり、全二重ではありません。1 本のリアルタイム接続でマイク音声とモデル音声を同時にストリーミングしません。
• 自動的な発話区切りと割り込みには音声分析が必要です。ブラウザが対応できない場合は、手動の発言終了操作でターンを終了します。
• ターン制の返答は 1 つずつ実行されます。割り込み中に話した言葉は、次のターンの文字起こしには引き継がれません。