Voice Master

Heartbeat.tick() fragt den Host, ob die Erkennung läuft. Läuft sie nicht, hält er den Zeitpunkt des Ausfalls fest und wartet eine Karenzzeit von 1.5 s, bevor er onRevive() aufruft, damit ein normaler Stopp/Start-Zyklus innerhalb von Chrome nicht gestört wird.

Es ist immer nur eine Wiederbelebung gleichzeitig unterwegs. Trifft onstart nicht innerhalb von 3 s ein, wird die ausstehende Wiederbelebung verworfen, und vor dem nächsten Versuch beginnt eine neue Karenzzeit von 1.5 s. Das Flag recognizing wird nur von onstart über noteEngineUp() gesetzt, nie optimistisch, sodass ein fehlgeschlagenes start() (InvalidStateError) den Watchdog nicht glauben lassen kann, die Engine laufe.

Der Watchdog merkt sich die Startzeit der aktuellen laufenden Teilsitzung. Nach sessionMaxMs (270000 ms, in speech.js gesetzt) ruft er refreshSession() auf, das zuerst das angesammelte finale Transkript und die letzte vorläufige Phrase an das Zielfeld übergibt und dann die Engine stoppt. end() erkennt, dass der Stopp nicht manuell war, und kehrt ohne Finalisierung zurück; die nächsten Ticks beleben eine frische Sitzung.

Das Intervall ist so gewählt, dass es vor dem Limit von etwa fünf Minuten liegt, das der Autor in Chrome beobachtet hat (in den Code-Kommentaren festgehalten), sodass der Neustart zu einem Zeitpunkt erfolgt, den die Erweiterung kontrolliert, statt zu einem, den Chrome wählt.

onend feuert bei jeder Art von Stopp, daher kann end() sie nicht von selbst unterscheiden. Der Host führt zwei Flags: manualStop wird nur durch den Stopp des Benutzers gesetzt (Button, Hotkey, Schließen des Panels), fatalError nur durch audio-capture- und not-allowed-Fehler. Der Watchdog und reviveRecognition() prüfen beide und bleiben untätig, sobald eines gesetzt ist; jeder andere Fehler, etwa no-speech, lässt die Sitzung wiederbeleben.

Bei not-allowed vergleicht der Handler den Zeitpunkt des Fehlers mit dem Zeitpunkt des Klicks: Ein Fehler innerhalb von 100 ms bedeutet, dass die Berechtigung per Richtlinie gesperrt ist, ein späterer, dass der Benutzer die Abfrage abgelehnt hat, und das Panel zeigt für beide Fälle eine andere Meldung.

RecognitionEngine besitzt nur das Objekt webkitSpeechRecognition (continuous, interim results, 5 Alternativen) und zerlegt Ergebnisse in finalText, interimText und hadFinal. start() lässt InvalidStateError bewusst durchlaufen, damit der Aufrufer entscheidet, ob er es erneut versucht.

Flags, Ansammlung und Neustartentscheidungen liegen in speech.js, und die Zeitsteuerung liegt in Heartbeat. Die drei Teile sprechen über kleine Callback-Schnittstellen (isRecognizing, onRevive, onRefresh, onSilence), sodass sich der Watchdog abstimmen lässt, ohne den Erkennungscode anzufassen.

Bei input und textarea wird der Wert zwischen selectionStart und selectionEnd gespleißt und die Einfügemarke hinter den neuen Text bewegt, sodass ein markiertes Fragment durch das diktierte ersetzt wird. Bei contenteditable nutzt es execCommand('insertText'), das ebenfalls die aktuelle Auswahl ersetzt und den Editor eine normale Bearbeitung sehen lässt. Bei TinyMCE ruft es den eigenen Befehl mceInsertContent des Editors auf.

TinyMCE initialisiert sich spät, daher wird der Fokus-Hook dafür verzögert angehängt und, falls noch nichts anderes fokussiert war, der aktive Editor fokussiert und verfolgt.

Ein Fokus-Listener in der Capture-Phase auf document erfasst jedes geeignete Element in einer Liste mit dem jüngsten zuletzt, sodass beim Klick auf das Panel das Einfügeziel weiterhin das letzte Feld ist, in dem der Benutzer war.

Der Start-Button bricht mousedown ab, und die Sprachauswahlen brechen mouseup ab, sodass ihr Drücken das Feld nicht unscharf macht. Das verschiebbare Panel überspringt die Drag-Behandlung auf Eingabefeldern, Buttons und Links, damit diese ihr normales Fokus- und Klickverhalten behalten.

Finale Ergebnisse sammeln sich in finalTranscript. Zwischentext geht in ein separates, verschiebbares Vorschau-Panel und wird als prev_text gemerkt; kommt ein Update mit leerem Zwischenteil, übergibt buffer() die gemerkte Phrase an das Feld und leert die Vorschau.

Der finale Abschnitt wird nur neu gerendert, wenn ein neues finales Ergebnis eingetroffen ist, was die DOM-Arbeit bei langem Diktat gering hält.

Der Corrector auf der Seite baut nur den Prompt. Der Request läuft über das Content Script zum Service Worker, der den fetch besitzt. host_permissions in manifest.json decken api.openai.com, api.anthropic.com, api.deepseek.com und generativelanguage.googleapis.com ab.

Der onMessage-Listener des Workers gibt true zurück, um den Kanal für die asynchrone Antwort offen zu halten.

AI_PROVIDERS beschreibt jede API deklarativ: Bearer-Header für OpenAI und DeepSeek, x-api-key plus Versions-Header für Anthropic, x-goog-api-key für Gemini und den Pfad zum Text in jeder Antwort. aiCorrect() ist für alle gleich.

Ein leerer Schlüssel liefert den Code 'no_key' statt eines Fehlers, wodurch Aufrufer still auf den Rohtext zurückfallen können. Gemini wurde als vierter Anbieter durch einen Tabelleneintrag plus eine Host-Berechtigung im Manifest ergänzt.

LiveImprover.push() hängt jeden Abschnitt an eine einzige Promise-Kette an, sodass Abschnitt N+1 erst gesendet wird, nachdem Abschnitt N eingefügt wurde. Jeder Aufruf läuft im Wettlauf mit einem Timeout von 20 s. Bei Fehler oder Timeout wird der Originaltext eingefügt, sodass diktierte Sprache nie verloren geht.

Modelle liefern getrimmten Text, daher stellt keepSpacing() die ursprünglichen führenden und nachfolgenden Leerzeichen des Abschnitts wieder her, damit aufeinanderfolgende Abschnitte nicht zusammenkleben. Ohne Schlüssel meldet die Warteschlange den Code 'no_key', und die Oberfläche bleibt still, als wäre der Live-Modus aus.

Der Panel-Code läuft als Modul-Skript in der Seite und hat keine chrome.*-APIs. GptCorrector.improve() vergibt eine laufende ID, legt den Resolver in einer Map ab und sendet stt_ai_correct_request. Das Content Script leitet ihn an den Worker weiter und antwortet mit stt_ai_correct_response, das dieselbe ID trägt und genau ein ausstehendes Promise auflöst.

Der Prompt corr_and_return besagt, dass der Text von einem unvollkommenen Spracherkenner stammt, bittet das Modell, falsch erkannte Wörter durch das zu ersetzen, was der Sprecher höchstwahrscheinlich meinte, Sprache und Bedeutung beizubehalten, nichts hinzuzufügen und nur den Text zurückzugeben. Er ist in jede UI-Locale übersetzt.

Im Diktier-Panel ersetzt der verbesserte Text den Inhalt der Textarea über execCommand('insertText'), sodass Strg+Z die Originalversion wiederherstellt.

sttCryptoKey() erzeugt das Geheimnis einmal, speichert es und importiert es als nicht exportierbaren CryptoKey. Verschlüsselte Werte tragen ein Versionspräfix (stt1:), gefolgt von IV und Chiffretext in Base64.

Die Kryptografie läuft im Service Worker, weil dieser stets ein sicherer Kontext mit crypto.subtle ist, ein Content Script auf einer einfachen http-Seite dagegen nicht. Der Code-Kommentar sagt ausdrücklich, dass dies Schutz im Ruhezustand gegen beiläufiges Lesen ist, nicht gegen jemanden, der das gesamte Browserprofil besitzt.

sttPublicCfg() ist die einzige Form, die in die Seite gelangt: Anbieter, Live-Flag, ein Boolean pro Anbieter und ein Hinweis wie die ersten 3 und letzten 4 Zeichen. Das Einstellungsformular erhält den gespeicherten Schlüssel nie; ein unberührtes Feld beim Speichern bedeutet, den gespeicherten Schlüssel zu behalten (Flag keyTouched).

sttGetAi() überführt den alten einzelnen gptApiKey in die Struktur pro Anbieter, verschlüsselt jeden Wert ohne das Präfix stt1:, schreibt das Ergebnis zurück und entfernt die Legacy-Zelle. Scheitert der Worker beim Verschlüsseln, bleibt der Klartext erhalten, damit der Benutzer nicht ausgesperrt wird, und die Migration wird beim nächsten Lesen erneut versucht.

sttDecrypt() gibt bei einem beschädigten oder fremden Wert einen leeren String zurück, sodass sich ein defekter Datensatz wie „kein Schlüssel“ verhält, statt eine Exception zu werfen.

Das Panel jedes Tabs hält ein lokales Abbild von Anbieter, Live-Flag und hasKeys. content.js hört auf chrome.storage.onChanged für den Datensatz sttAi und schiebt eine frische bereinigte Konfiguration in die Seite, sodass liveEnabled() nie auf einen Schlüssel reagiert, der anderswo gelöscht wurde.

Das Löschen eines Schlüssels im Popover ist bis zum Speichern lokal; Schließen ohne Speichern behält den gespeicherten Schlüssel.

start() im Service Worker sendet den Toggle an den Tab. Zeigt chrome.runtime.lastError, dass niemand zuhört, injiziert es content.js und wiederholt die Nachricht. Das Panel-Modul und das Stylesheet werden dann auf Anforderung injiziert, wobei chrome://-Seiten übersprungen werden.

Das Popup prüft auf dieselbe Weise mit einem isLoaded-Ping, bevor es entscheidet, ob es dem Tab eine Nachricht sendet oder den Weg über den Worker nimmt.

getLocalizationKeys() liest die Key-Liste aus der messages.json der Standard-Locale, die den vollständigen Satz enthält, und speichert dann chrome.i18n.getMessage(key) für jeden unter einem Präfix stt_. Helper.getI18nMessage() in der Seite liest von dort.

Weil die Key-Liste aus en stammt und die Werte aus chrome.i18n, fällt eine Locale mit fehlenden Keys pro Key auf Englisch zurück. Der Locale hi fehlen derzeit 7 Keys, die auf diese Weise abgedeckt werden.