Voice Master

Heartbeat.tick() pyta hosta, czy rozpoznawanie działa. Gdy nie działa, zapisuje moment śmierci i czeka 1.5 s okresu karencji, zanim wywoła onRevive(), aby normalny cykl stop/start wewnątrz Chrome nie był zakłócany.

Naraz w toku jest tylko jedno wskrzeszenie. Jeśli onstart nie nadejdzie w ciągu 3 s, oczekujące wskrzeszenie jest porzucane i przed następną próbą zaczyna się nowy 1.5 s okres karencji. Flaga recognizing jest ustawiana wyłącznie przez onstart za pośrednictwem noteEngineUp(), nigdy optymistycznie, więc nieudane start() (InvalidStateError) nie może sprawić, by watchdog uwierzył, że silnik działa.

Watchdog zapamiętuje czas startu bieżącej żywej podsesji. Po sessionMaxMs (270000 ms, ustawione w speech.js) wywołuje refreshSession(), które najpierw dostarcza zgromadzoną końcową transkrypcję i ostatnią frazę tymczasową do pola docelowego, a potem zatrzymuje silnik. end() widzi, że zatrzymanie nie było ręczne, i wraca bez finalizowania; kolejne tyknięcia wskrzeszają świeżą sesję.

Interwał dobrano tak, by wypadał przed mniej więcej pięciominutowym limitem, który autor zaobserwował w Chrome (podanym w komentarzach w kodzie), więc restart następuje w chwili kontrolowanej przez rozszerzenie, a nie wybranej przez Chrome.

onend odpala przy każdym rodzaju zatrzymania, więc end() nie potrafi ich sam rozróżnić. Host trzyma dwie flagi: manualStop jest ustawiana wyłącznie przez zatrzymanie użytkownika (przycisk, skrót klawiszowy, zamknięcie panelu), fatalError tylko przez błędy audio-capture i not-allowed. Watchdog i reviveRecognition() sprawdzają obie i pozostają bezczynne, gdy któraś jest ustawiona; każdy inny błąd, taki jak no-speech, zostawia sesję do wskrzeszenia.

Dla not-allowed handler porównuje czas błędu z czasem kliknięcia: błąd w ciągu 100 ms oznacza, że uprawnienie jest zablokowane polityką, późniejszy oznacza, że użytkownik odrzucił monit, a panel pokazuje inny komunikat dla każdego z tych przypadków.

RecognitionEngine posiada wyłącznie obiekt webkitSpeechRecognition (continuous, wyniki tymczasowe, 5 alternatyw) i parsuje wyniki na finalText, interimText i hadFinal. start() celowo pozwala InvalidStateError propagować, aby wywołujący zdecydował, czy ponowić.

Flagi, akumulacja i decyzje o restarcie żyją w speech.js, a polityka czasowa w Heartbeat. Te trzy części rozmawiają przez małe interfejsy callbacków (isRecognizing, onRevive, onRefresh, onSilence), więc watchdoga można stroić bez dotykania kodu rozpoznawania.

Dla input i textarea wartość jest sklejana między selectionStart i selectionEnd, a kursor przesuwany za nowy tekst, więc zaznaczony fragment zostaje zastąpiony podyktowanym. Dla contenteditable używa execCommand('insertText'), które też zastępuje bieżące zaznaczenie i pozwala edytorowi zobaczyć zwykłą edycję. Dla TinyMCE wywołuje własne polecenie edytora mceInsertContent.

TinyMCE inicjalizuje się późno, więc hook fokusu dla niego jest podpinany z opóźnieniem i, jeśli nic innego nie było jeszcze aktywne, aktywny edytor dostaje fokus i jest śledzony.

Nasłuchiwacz fokusu w fazie przechwytywania na document zapisuje każdy kwalifikujący się element na liście od najstarszego do najnowszego, więc gdy użytkownik klika panel, celem wstawiania nadal jest ostatnie pole, w którym był.

Przycisk startu anuluje mousedown, a selecty języka anulują mouseup, więc ich naciśnięcie nie odbiera fokusu polu. Przeciągany panel pomija obsługę przeciągania na polach, przyciskach i linkach, aby zachowały normalny fokus i zachowanie przy kliknięciu.

Wyniki końcowe gromadzą się w finalTranscript. Tekst tymczasowy trafia do osobnego przeciąganego panelu podglądu i jest zapamiętywany jako prev_text; gdy przychodzi aktualizacja z pustą częścią tymczasową, buffer() dostarcza zapamiętaną frazę do pola i czyści podgląd.

Zakres końcowy jest renderowany ponownie tylko wtedy, gdy przyszedł nowy wynik końcowy, co ogranicza pracę na DOM podczas długiego dyktowania.

Korektor po stronie strony tylko buduje prompt. Żądanie podróżuje przez content script do service workera, który posiada fetch. host_permissions w manifest.json obejmują api.openai.com, api.anthropic.com, api.deepseek.com i generativelanguage.googleapis.com.

Nasłuchiwacz onMessage workera zwraca true, aby utrzymać otwarty kanał dla odpowiedzi asynchronicznej.

AI_PROVIDERS opisuje każde API deklaratywnie: nagłówek Bearer dla OpenAI i DeepSeek, x-api-key plus nagłówki wersji dla Anthropic, x-goog-api-key dla Gemini oraz ścieżkę do tekstu w każdej odpowiedzi. aiCorrect() jest takie samo dla wszystkich.

Pusty klucz zwraca kod 'no_key' zamiast błędu, co pozwala wywołującym po cichu wrócić do surowego tekstu. Gemini dodano jako czwartego dostawcę jednym wpisem w tabeli plus uprawnieniem hosta w manifeście.

LiveImprover.push() dopisuje każdy fragment do jednego łańcucha obietnic, więc fragment N+1 jest wysyłany dopiero po wstawieniu fragmentu N. Każde wywołanie ściga się z limitem czasu 20 s. Przy awarii lub przekroczeniu limitu wstawiany jest oryginalny tekst, więc podyktowana mowa nigdy nie ginie.

Modele zwracają tekst przycięty, więc keepSpacing() przywraca początkowe i końcowe odstępy fragmentu, aby kolejne fragmenty się nie sklejały. Bez klucza kolejka zgłasza kod 'no_key', a interfejs milczy, jakby tryb na żywo był wyłączony.

Kod panelu działa jako skrypt modułowy na stronie i nie ma API chrome.*. GptCorrector.improve() przydziela id sekwencyjne, zapisuje resolver w Map i wysyła stt_ai_correct_request. Content script przekazuje to workerowi i odpowiada stt_ai_correct_response z tym samym id, co rozstrzyga dokładnie jedną oczekującą obietnicę.

Prompt corr_and_return stwierdza, że tekst pochodzi z niedoskonałego rozpoznawania mowy, prosi model o zastąpienie błędnie rozpoznanych słów tym, co mówiący najprawdopodobniej miał na myśli, o zachowanie języka i znaczenia, niedodawanie niczego i zwrócenie wyłącznie tekstu. Jest przetłumaczony na każde ustawienie regionalne interfejsu.

W panelu dyktowania poprawiony tekst zastępuje zawartość textarea przez execCommand('insertText'), więc Ctrl+Z przywraca oryginalną wersję.

sttCryptoKey() generuje sekret raz, zapisuje go i importuje jako nieeksportowalny CryptoKey. Zaszyfrowane wartości niosą prefiks wersji (stt1:), po którym następują IV i szyfrogram w base64.

Kryptografia działa w service workerze, ponieważ jest on zawsze bezpiecznym kontekstem z crypto.subtle, a content script na zwykłej stronie http nie jest. Komentarz w kodzie wyraźnie mówi, że to ochrona w spoczynku przed zwykłym odczytem, a nie przed kimś, kto ma cały profil przeglądarki.

sttPublicCfg() jest jedynym kształtem przechodzącym na stronę: dostawca, flaga live, wartość logiczna dla dostawcy i podpowiedź w rodzaju pierwszych 3 i ostatnich 4 znaków. Formularz ustawień nigdy nie dostaje zapisanego klucza; nietknięte pole przy Zapisz oznacza zachowanie zapisanego klucza (flaga keyTouched).

sttGetAi() przenosi stary pojedynczy gptApiKey do struktury dla dostawców, szyfruje każdą wartość bez prefiksu stt1:, zapisuje wynik z powrotem i usuwa dawną komórkę. Jeśli worker nie zdoła zaszyfrować, jawny tekst jest zachowywany, aby użytkownik nie został zablokowany, a migracja jest ponawiana przy następnym odczycie.

sttDecrypt() zwraca pusty ciąg dla uszkodzonej lub obcej wartości, więc zepsuty rekord zachowuje się jak 'brak klucza' zamiast rzucać wyjątek.

Panel każdej karty trzyma lokalne lustro dostawcy, flagi live i hasKeys. content.js nasłuchuje chrome.storage.onChanged dla rekordu sttAi i wypycha na stronę świeżą, oczyszczoną konfigurację, więc liveEnabled() nigdy nie działa na kluczu, który został usunięty gdzie indziej.

Usunięcie klucza w popoverze jest lokalne do czasu Zapisz; zamknięcie bez zapisu zachowuje zapisany klucz.

start() w service workerze wysyła przełączenie do karty. Jeśli chrome.runtime.lastError pokazuje, że nikt nie nasłuchuje, wstrzykuje content.js i powtarza wiadomość. Moduł panelu i arkusz stylów są następnie wstrzykiwane na żądanie, z pominięciem stron chrome://.

Popup sprawdza to samo przez ping isLoaded, zanim zdecyduje, czy wysłać wiadomość do karty, czy iść przez workera.

getLocalizationKeys() czyta listę kluczy z messages.json domyślnych ustawień regionalnych, który ma pełny zestaw, a następnie zapisuje chrome.i18n.getMessage(key) dla każdego pod prefiksem stt_. Helper.getI18nMessage() na stronie czyta stamtąd.

Ponieważ lista kluczy pochodzi z en, a wartości z chrome.i18n, wersja z brakującymi kluczami wraca do angielskiego dla każdego klucza osobno. W wersji hi brakuje obecnie 7 kluczy i jest to w ten sposób pokryte.