Voice Master

Heartbeat.tick() pregunta al host si el reconocimiento está en marcha. Cuando no lo está, registra el momento de la caída y espera un periodo de gracia de 1.5 s antes de llamar a onRevive(), de modo que un ciclo normal de parada/arranque dentro de Chrome no se altera.

Solo hay una revivificación en curso a la vez. Si onstart no llega en 3 s, la revivificación pendiente se descarta y comienza un nuevo periodo de gracia de 1.5 s antes del siguiente intento. El indicador recognizing lo fija solo onstart mediante noteEngineUp(), nunca de forma optimista, de modo que un start() fallido (InvalidStateError) no pueda hacer creer al watchdog que el motor está activo.

El watchdog guarda la hora de inicio de la subsesión activa actual. Pasados sessionMaxMs (270000 ms, definido en speech.js), llama a refreshSession(), que primero entrega al campo de destino la transcripción final acumulada y la última frase provisional, y luego detiene el motor. end() ve que la parada no fue manual y retorna sin finalizar; los siguientes ticks reviven una sesión nueva.

El intervalo se elige para caer antes del límite de unos cinco minutos que el autor observó en Chrome (indicado en los comentarios del código), de modo que el reinicio ocurre en un momento que controla la extensión en lugar de uno que elige Chrome.

onend se dispara en cualquier tipo de parada, así que end() no puede distinguirlas por sí mismo. El host mantiene dos indicadores: manualStop lo fija solo la parada del usuario (botón, atajo de teclado, cierre del panel), y fatalError solo los errores de audio-capture y not-allowed. El watchdog y reviveRecognition() comprueban ambos y permanecen inactivos cuando cualquiera está activo; cualquier otro error, como no-speech, deja la sesión para ser revivida.

Para not-allowed, el manejador compara la hora del error con la hora del clic: un error dentro de los 100 ms significa que el permiso está bloqueado por una política, uno posterior significa que el usuario denegó la solicitud, y el panel muestra un mensaje distinto para cada caso.

RecognitionEngine posee solo el objeto webkitSpeechRecognition (continuo, resultados provisionales, 5 alternativas) y analiza los resultados en finalText, interimText y hadFinal. start() deja deliberadamente que InvalidStateError se propague para que quien llama decida si reintentar.

Los indicadores, la acumulación y las decisiones de reinicio residen en speech.js, y la política de tiempos reside en Heartbeat. Las tres partes se comunican mediante pequeñas interfaces de callbacks (isRecognizing, onRevive, onRefresh, onSilence), de modo que el watchdog puede ajustarse sin tocar el código de reconocimiento.

Para input y textarea, el valor se empalma entre selectionStart y selectionEnd y el cursor se mueve más allá del texto nuevo, de modo que un fragmento seleccionado es sustituido por el dictado. Para contenteditable usa execCommand('insertText'), que también reemplaza la selección actual y permite que el editor vea una edición normal. Para TinyMCE llama al propio comando mceInsertContent del editor.

TinyMCE se inicializa tarde, así que el hook de foco para él se engancha tras un retraso y, si todavía no había nada más enfocado, se enfoca y se sigue el editor activo.

Un listener de foco en fase de captura sobre document registra cada elemento elegible en una lista ordenada con el más reciente al final, de modo que cuando el usuario hace clic en el panel el destino de inserción sigue siendo el último campo en el que estuvo.

El botón de inicio cancela mousedown y los selectores de idioma cancelan mouseup, de modo que pulsarlos no desenfoca el campo. El panel arrastrable omite el manejo de arrastre en inputs, botones y enlaces para que conserven el comportamiento normal de foco y clic.

Los resultados finales se acumulan en finalTranscript. El texto provisional va a un panel de vista previa arrastrable independiente y se recuerda como prev_text; cuando llega una actualización con la parte provisional vacía, buffer() entrega la frase recordada al campo y limpia la vista previa.

El span final se vuelve a renderizar solo cuando llegó un nuevo resultado final, lo que reduce el trabajo sobre el DOM durante un dictado largo.

El corrector del lado de la página solo construye el prompt. La petición viaja a través del content script hasta el service worker, que posee el fetch. host_permissions en manifest.json cubre api.openai.com, api.anthropic.com, api.deepseek.com y generativelanguage.googleapis.com.

El listener onMessage del worker devuelve true para mantener abierto el canal de la respuesta asíncrona.

AI_PROVIDERS describe cada API de forma declarativa: cabecera Bearer para OpenAI y DeepSeek, x-api-key más cabeceras de versión para Anthropic, x-goog-api-key para Gemini, y la ruta al texto en cada respuesta. aiCorrect() es igual para todos ellos.

Una clave vacía devuelve el código 'no_key' en lugar de un error, lo que permite a quien llama recurrir en silencio al texto sin procesar. Gemini se añadió como cuarto proveedor con una entrada de tabla más un permiso de host en el manifiesto.

LiveImprover.push() añade cada fragmento a una única cadena de promesas, de modo que el fragmento N+1 se envía solo después de que el fragmento N se haya insertado. Cada llamada compite con un tiempo límite de 20 s. Ante un fallo o un tiempo agotado se inserta el texto original, de modo que el habla dictada nunca se pierde.

Los modelos devuelven texto recortado, así que keepSpacing() restaura los espacios iniciales y finales originales del fragmento para evitar que fragmentos consecutivos se peguen. Sin clave, la cola informa del código 'no_key' y la interfaz permanece en silencio, como si el modo en vivo estuviera desactivado.

El código del panel se ejecuta como un script de módulo en la página y no tiene APIs chrome.*. GptCorrector.improve() asigna un id de secuencia, guarda el resolver en un Map y despacha stt_ai_correct_request. El content script lo reenvía al worker y responde con stt_ai_correct_response con el mismo id, que resuelve exactamente una promesa pendiente.

El prompt corr_and_return indica que el texto procede de un reconocedor de voz imperfecto, pide al modelo que sustituya las palabras mal reconocidas por lo que el hablante probablemente quiso decir, que conserve el idioma y el significado, que no añada nada y que devuelva solo el texto. Está traducido a todas las configuraciones regionales de la interfaz.

En el panel de dictado, el texto mejorado reemplaza el contenido del textarea mediante execCommand('insertText'), de modo que Ctrl+Z restaura la versión original.

sttCryptoKey() genera el secreto una vez, lo almacena y lo importa como una CryptoKey no extraíble. Los valores cifrados llevan un prefijo de versión (stt1:) seguido del IV y el texto cifrado en base64.

El cifrado se ejecuta en el service worker porque este siempre es un contexto seguro con crypto.subtle, mientras que un content script en una página http simple no lo es. El comentario del código es explícito en que se trata de una protección en reposo contra la lectura casual, no contra alguien que tenga todo el perfil del navegador.

sttPublicCfg() es la única forma que cruza hacia la página: proveedor, indicador de modo en vivo, un booleano por proveedor y una pista como los 3 primeros y los 4 últimos caracteres. El formulario de ajustes nunca recibe la clave almacenada; un campo sin tocar al guardar significa conservar la clave almacenada (indicador keyTouched).

sttGetAi() mueve la antigua gptApiKey única a la estructura por proveedor, cifra cualquier valor sin el prefijo stt1:, escribe el resultado y elimina la celda heredada. Si el worker no consigue cifrar, se conserva el texto plano para que el usuario no quede bloqueado, y la migración se reintenta en la siguiente lectura.

sttDecrypt() devuelve una cadena vacía ante un valor corrupto o ajeno, de modo que un registro roto se comporta como 'sin clave' en lugar de lanzar una excepción.

El panel de cada pestaña mantiene un espejo local del proveedor, el indicador de modo en vivo y hasKeys. content.js escucha chrome.storage.onChanged para el registro sttAi y empuja a la página una configuración saneada nueva, de modo que liveEnabled() nunca actúa con una clave que se eliminó en otro lugar.

Eliminar una clave en el popover es local hasta Save; cerrar sin guardar conserva la clave almacenada.

start() en el service worker envía la conmutación a la pestaña. Si chrome.runtime.lastError indica que nadie escucha, inyecta content.js y repite el mensaje. Después se inyectan bajo demanda el módulo del panel y la hoja de estilos, omitiendo las páginas chrome://.

El popup comprueba lo mismo con un ping isLoaded antes de decidir si enviar el mensaje a la pestaña o pasar por el worker.

getLocalizationKeys() lee la lista de claves del messages.json de la configuración regional por defecto, que tiene el conjunto completo, y luego guarda chrome.i18n.getMessage(key) para cada una bajo un prefijo stt_. Helper.getI18nMessage() en la página lee desde ahí.

Como la lista de claves procede de en y los valores de chrome.i18n, una configuración regional con claves ausentes recurre al inglés clave por clave. La configuración regional hi carece actualmente de 7 claves y queda cubierta de este modo.