Mowa na tekst

Libre WebUI może transkrybować nagrania mikrofonowe przez aktywną wtyczkę deklarującą funkcję mowy na tekst. Gdy przeglądarka udostępnia własną usługę rozpoznawania mowy, Chat domyślnie ją wybiera; sposób jej działania i przetwarzania danych kontroluje dostawca przeglądarki, a przetwarzanie niekoniecznie odbywa się na urządzeniu. Aby użyć STT dostawcy, jawnie wybierz nazwanego dostawcę. Jeśli usługa przeglądarki jest niedostępna, Chat wybiera pierwszego zgodnego dostawcę.

Dołączona obsługa obejmuje:

• modele transkrypcji OpenAI przez wieloczęściowe żądanie /v1/audio/transcriptions; oraz
• modele automatycznego rozpoznawania mowy Hugging Face przez punkt końcowy wnioskowania z surowego dźwięku.

Przeglądarka nagrywa dopiero po naciśnięciu przez użytkownika przycisku mikrofonu. Przed nagrywaniem Chat pokazuje wybranego dostawcę i informację o przesyłaniu. Ponowne naciśnięcie zatrzymuje nagranie; podczas transkrypcji ten sam przycisk anuluje żądanie dostawcy. Libre wstawia zwróconą transkrypcję do pola wiadomości. Nagranie jest przechowywane w pamięci na czas żądania i nie jest zapisywane przez Libre WebUI. Przejście do innego czatu anuluje oczekującą zgodę na mikrofon, nagrywanie i transkrypcję.

Kontrakt dostawcy

Funkcja STT deklaruje punkt końcowy, mapę modeli, akceptowane formaty, tryb żądania i opcjonalną zmienną punktu końcowego. Przed przekazaniem dźwięku Libre sprawdza dokładną trasę wtyczki/modelu uwierzytelnionego użytkownika. Obecnie akceptuje nieskompresowane nagrania PCM WAV i Opus WebM. Przed wysłaniem sprawdza rozszerzenie nazwy pliku, deklarowany typ MIME, strukturę kontenera, identyfikator kodeka, częstotliwość próbkowania, kanały, stosunek rozmiaru po dekodowaniu i czas trwania. Żądania są globalnie ograniczone do 25 MiB i 300 sekund (lub niższego limitu manifestu), do dwóch równoległych transkrypcji na użytkownika i sześciu na wdrożenie. Są przerywane, gdy przeglądarka się rozłączy albo odnawialne współdzielone zezwolenie zostanie utracone. Awaria mechanizmu przyjęcia Redis w trybie team zamyka dostęp; nigdy nie tworzy niezależnego limitu na replikę.

Poświadczenia dostawcy pozostają na backendzie. Libre odrzuca przekierowania, aby nagłówek autoryzacji lub nagranie nie mogły trafić do innego hosta. Błędy uwierzytelniania dostawcy są przedstawiane jako błąd usługi nadrzędnej, a nie jako wygasła sesja Libre.

Używaj HTTPS dla źródła Libre WebUI i dostawców zdalnych. Przeglądarki nie udostępniają mikrofonu niezabezpieczonemu zdalnemu źródłu, a Libre nie ogłasza żadnej ścieżki mowy, jeśli przeglądarka nie udostępnia API mediów bezpiecznego źródła. Dostawca może przechowywać lub przetwarzać nagrania zgodnie z własnymi warunkami, dlatego przed dyktowaniem poufnego tekstu sprawdź jego politykę.