Wprowadzanie głosowe

Status: Działa od Phase 62 (2026-06-05). Self-hosted whisper.cpp na Contabo — bez zależności od OpenAI, żadne audio nie opuszcza Twojego serwera.

Arc OS obsługuje dwie warstwy wprowadzania głosowego w composerze czatu:

Obie warstwy zasilają to samo pole tekstowe composera i są transparentne dla workera AI.

Używanie głosu w czacie

1. Otwórz workspace dowolnego projektu i ustaw fokus na composerze czatu.
2. Kliknij przycisk mikrofonu (lewy dolny róg composera) lub naciśnij Ctrl+Shift+V (działa na każdym układzie klawiatury — skrót odpowiada fizycznemu klawiszowi V, nie znakowi układu).
3. Mów. Animacja fali dźwiękowej + pomarańczowa ramka sygnalizują nagrywanie.
4. Kliknij przycisk mikrofonu ponownie (lub naciśnij skrót), aby zatrzymać.
5. Transkrybowany tekst pojawia się w composerze — w razie potrzeby edytuj, potem Send.

Tryb ciągły: L1 słucha, dopóki nie zatrzymasz; L2 nagrywa pojedynczy klip i wysyła go do transkrypcji.

L1 — Web Speech API (Chrome/Edge)

Używa wbudowanego w przeglądarkę API rozpoznawania mowy. Działa natychmiast, bez podróży na serwer.

Locale: Ustawiane automatycznie na podstawie Twojej preferencji językowej w Arc. Obsługiwane kody BCP-47: uk-UA, en-US, de-DE, es-ES, fr-FR, pl-PL, ru-RU, pt-BR.

Uprawnienia: Przeglądarka prosi o dostęp do mikrofonu przy pierwszym użyciu. Jeśli przypadkowo go zablokowałeś, przejdź do Site settings → Microphone → Allow dla arc-os.co. Nagłówek Permissions-Policy na arc-os.co używa microphone=(self) — dostęp same-origin jest dozwolony, a osadzenia cross-origin są zablokowane.

Ograniczenia:

• Wymaga Chrome lub Edge (opartych na Chromium). Firefox i Safari automatycznie przechodzą na L2.
• Jakość transkrypcji zależy od serwerów Google (wywoływanych przez przeglądarkę, nie przez Arc OS).

L2 — Self-hosted whisper.cpp

Arc OS uruchamia trwały serwis arc-whisper.service na Contabo z preładowanym modelem ggml-base (142 MB). Gdy przeglądarka nie obsługuje Web Speech API, composer automatycznie przechodzi na tę warstwę:

1. Przeglądarka nagrywa klip WebM przez MediaRecorder.
2. Po zatrzymaniu klip jest wysyłany POST-em do /api/crm/voice/transcribe (multipart, maks. 25 MB).
3. Serwer przekazuje go do lokalnego whisper-servera pod 127.0.0.1:19214 — bajty audio nigdy nie opuszczają Contabo.
4. Transkrybowany tekst wraca i jest wstawiany do composera.

Opóźnienie: ~3.4 s dla 11-sekundowego klipu (rozgrzany model, 3.1× realtime na obecnej maszynie 6-vCPU EPYC).

Współbieżność: Whisper-server ma semafor z 2 slotami. Jeśli oba sloty są zajęte, API zwraca 429 („server busy"), a UI pokazuje toast — spróbuj ponownie za kilka sekund.

Dzienny limit

Każdy użytkownik ma miękki limit 60 min/dzień dla transkrypcji L2. Serwer szacuje długość klipu na podstawie rozmiaru uploadu (założenie kodeka głosowego ~32 kbps, dokładność ±30%). Po osiągnięciu limitu:

• API zwraca 429 z { "error": "Daily voice quota reached (60 min/day)", "used": <seconds>, "cap": 3600 }
• Przycisk mikrofonu jest wyłączony do końca dnia
• Limit resetuje się o północy UTC

L1 (Web Speech API) nie podlega temu limitowi — używa własnej usługi przeglądarki.

Rozwiązywanie problemów

Odniesienia

• shared/routes/voice.ts — handler endpointu (Phase 62.4, #373)
• shared/migrations/051_voice_usage.ts — tabela limitów voice_usage_log
• frontend/src/crm/pages/workspace/Composer.jsx — komponent MicButton
• arc-whisper.service na Contabo — konfiguracja demona whisper.cpp
• Endpoint API: POST /api/crm/voice/transcribe