Voice Master

Heartbeat.tick() питає хост, чи працює розпізнавання. Коли ні, він фіксує момент зупинки і чекає 1.5 с пільгового періоду, перш ніж викликати onRevive(), тож звичайний цикл stop/start усередині Chrome не порушується.

Одночасно виконується лише одне оживлення. Якщо onstart не надходить протягом 3 с, очікуване оживлення відкидається і перед наступною спробою починається новий пільговий період 1.5 с. Прапорець recognizing встановлюється лише через onstart за допомогою noteEngineUp(), ніколи не оптимістично, тож невдалий start() (InvalidStateError) не може змусити сторожовий таймер вважати, що рушій працює.

Сторожовий таймер зберігає час початку поточної живої підсесії. Після sessionMaxMs (270000 мс, задано в speech.js) він викликає refreshSession(), яка спершу доставляє накопичену фінальну розшифровку й останню проміжну фразу в цільове поле, а потім зупиняє рушій. end() бачить, що зупинка не була ручною, і повертається без завершення; наступні тики оживляють нову сесію.

Інтервал вибрано так, щоб він припадав раніше за приблизно п'ятихвилинний ліміт, який спостерігав автор у Chrome (зазначено в коментарях коду), тож перезапуск відбувається в момент, який контролює розширення, а не в той, який обирає Chrome.

onend спрацьовує на будь-яку зупинку, тож end() сам не може їх розрізнити. Хост тримає два прапорці: manualStop встановлюється лише зупинкою користувача (кнопка, гаряча клавіша, закриття панелі), fatalError — лише помилками audio-capture і not-allowed. Сторожовий таймер і reviveRecognition() перевіряють обидва й простоюють, коли встановлено будь-який; кожна інша помилка, як-от no-speech, залишає сесію для оживлення.

Для not-allowed обробник порівнює час помилки з часом кліку: помилка протягом 100 мс означає, що дозвіл заблоковано політикою, пізніша — що користувач відхилив запит, і панель показує різне повідомлення для кожного випадку.

RecognitionEngine володіє лише об'єктом webkitSpeechRecognition (continuous, проміжні результати, 5 альтернатив) і розбирає результати на finalText, interimText і hadFinal. start() навмисно дозволяє InvalidStateError поширюватися, щоб викликач вирішував, чи повторювати спробу.

Прапорці, накопичення та рішення про перезапуск живуть у speech.js, а політика таймінгів — у Heartbeat. Ці три частини спілкуються через малі інтерфейси колбеків (isRecognizing, onRevive, onRefresh, onSilence), тож сторожовий таймер можна налаштовувати, не чіпаючи код розпізнавання.

Для input і textarea значення зрощується між selectionStart і selectionEnd, а курсор переміщується за новий текст, тож виділений фрагмент замінюється надиктованим. Для contenteditable використовується execCommand('insertText'), що теж замінює поточне виділення і дає редактору побачити звичайну правку. Для TinyMCE викликається власна команда редактора mceInsertContent.

TinyMCE ініціалізується пізно, тож хук фокуса для нього прикріплюється із затримкою, і якщо ще нічого не мало фокусу, активний редактор отримує фокус і відстежується.

Слухач фокуса у фазі capture на document записує кожен придатний елемент у список з найновішим останнім, тож коли користувач клікає панель, ціллю вставки лишається останнє поле, в якому він був.

Кнопка старту скасовує mousedown, а вибір мови скасовує mouseup, тож їх натискання не знімає фокус із поля. Панель, яку можна перетягувати, пропускає обробку перетягування на полях введення, кнопках і посиланнях, щоб вони зберігали звичайну поведінку фокуса й кліку.

Фінальні результати накопичуються у finalTranscript. Проміжний текст іде в окрему панель попереднього перегляду, яку можна перетягувати, і запам'ятовується як prev_text; коли надходить оновлення з порожньою проміжною частиною, buffer() доставляє запам'ятовану фразу в поле й очищає попередній перегляд.

Фінальний span перемальовується лише тоді, коли надійшов новий фінальний результат, що зменшує роботу з DOM під час довгого диктування.

Коректор на боці сторінки лише будує промпт. Запит подорожує через content script до service worker, який володіє fetch. host_permissions у manifest.json охоплюють api.openai.com, api.anthropic.com, api.deepseek.com і generativelanguage.googleapis.com.

Слухач onMessage воркера повертає true, щоб тримати канал відкритим для асинхронної відповіді.

AI_PROVIDERS декларативно описує кожен API: заголовок Bearer для OpenAI і DeepSeek, x-api-key плюс заголовки версії для Anthropic, x-goog-api-key для Gemini та шлях до тексту в кожній відповіді. aiCorrect() однакова для всіх.

Порожній ключ повертає код 'no_key' замість помилки, що дає викликачам змогу мовчки повернутися до сирого тексту. Gemini додано як четвертого провайдера одним записом у таблиці плюс дозволом хоста в маніфесті.

LiveImprover.push() додає кожен фрагмент в один ланцюжок промісів, тож фрагмент N+1 надсилається лише після того, як фрагмент N вставлено. Кожен виклик змагається з тайм-аутом 20 с. При збої чи тайм-ауті вставляється оригінальний текст, тож надиктоване мовлення ніколи не губиться.

Моделі повертають обрізаний текст, тож keepSpacing() відновлює початкові пробіли на початку й в кінці фрагмента, щоб послідовні фрагменти не склеювалися. Без ключа черга повідомляє код 'no_key', а інтерфейс мовчить, наче живий режим вимкнено.

Код панелі працює як модульний скрипт на сторінці й не має API chrome.*. GptCorrector.improve() призначає порядковий id, зберігає resolver у Map і надсилає stt_ai_correct_request. Content script пересилає його воркеру й відповідає stt_ai_correct_response з тим самим id, що розв'язує рівно один очікуваний проміс.

Промпт corr_and_return стверджує, що текст надійшов від недосконалого розпізнавача мовлення, просить модель замінити неправильно розпізнані слова тим, що мовець найімовірніше мав на увазі, зберегти мову й зміст, нічого не додавати й повернути лише текст. Він перекладений на кожну локаль інтерфейсу.

У панелі диктування покращений текст замінює вміст textarea через execCommand('insertText'), тож Ctrl+Z відновлює оригінальну версію.

sttCryptoKey() генерує секрет один раз, зберігає його й імпортує як неекспортований CryptoKey. Зашифровані значення несуть префікс версії (stt1:), за яким ідуть IV і шифротекст у base64.

Криптографія виконується в service worker, бо він завжди є захищеним контекстом із crypto.subtle, а content script на звичайній http-сторінці — ні. Коментар у коді прямо каже, що це захист у стані спокою від випадкового прочитання, а не від того, хто має весь профіль браузера.

sttPublicCfg() — єдина форма, що перетинає межу в сторінку: провайдер, живий прапорець, булеве значення на провайдера й підказка на кшталт перших 3 та останніх 4 символів. Форма налаштувань ніколи не отримує збережений ключ; нечіпане поле при збереженні означає залишити збережений ключ (прапорець keyTouched).

sttGetAi() переносить старий єдиний gptApiKey у структуру на провайдера, шифрує будь-яке значення без префікса stt1:, записує результат назад і видаляє застарілу комірку. Якщо воркер не зміг зашифрувати, відкритий текст зберігається, щоб користувача не заблокувало, а міграція повторюється при наступному читанні.

sttDecrypt() повертає порожній рядок для пошкодженого або чужого значення, тож зламаний запис поводиться як 'немає ключа', а не кидає виняток.

Панель кожної вкладки тримає локальне дзеркало провайдера, живого прапорця й hasKeys. content.js слухає chrome.storage.onChanged для запису sttAi і надсилає на сторінку свіжу санітизовану конфігурацію, тож liveEnabled() ніколи не діє за ключем, видаленим деінде.

Видалення ключа у спливному вікні локальне до Save; закриття без збереження зберігає збережений ключ.

start() у service worker надсилає перемикання у вкладку. Якщо chrome.runtime.lastError показує, що ніхто не слухає, він ін'єктує content.js і повторює повідомлення. Модуль панелі та таблиця стилів потім ін'єктуються на запит, пропускаючи сторінки chrome://.

Popup перевіряє так само за допомогою ping isLoaded, перш ніж вирішити, надсилати повідомлення вкладці чи йти через воркер.

getLocalizationKeys() читає список ключів із messages.json локалі за замовчуванням, у якій повний набір, потім зберігає chrome.i18n.getMessage(key) для кожного під префіксом stt_. Helper.getI18nMessage() на сторінці читає звідти.

Оскільки список ключів береться з en, а значення — з chrome.i18n, локаль із відсутніми ключами повертається до англійської по ключах. Локаль hi наразі не має 7 ключів і покривається таким чином.