# Głos

## Przegląd

Neotask obsługuje interakcję głosową przez wiele systemów: wykrywanie słowa budzącego, ciągłą rozmowę głosową (tryb mówienia) oraz zamianę tekstu na mowę dla wypowiadanych odpowiedzi.

## Słowa budzące

### Swabble (macOS)

Swabble to natywny daemon macOS, który zapewnia zawsze aktywne, **lokalne** wykrywanie słów budzących przy użyciu Apple Speech.framework.

**Funkcje:**
- Przetwarzanie wyłącznie lokalne -- żaden dźwięk nie opuszcza Twojego urządzenia podczas wykrywania słowa budzącego
- Konfigurowalne słowa budzące
- Ciągłe przechwytywanie i transkrypcja dźwięku
- Wykonywanie hooków -- wyzwala polecenia powłoki po wykryciu słowa budzącego
- Transkrypcja plików -- konwertuj pliki audio do tekstu (format TXT lub SRT)
- Konfigurowalne opóźnienie, minimalna liczba znaków i limit czasu

**Jak to działa:**
1. Swabble stale nasłuchuje przez mikrofon systemowy
2. Gdy wykryje słowo budzące w mówionym tekście, przechwytuje następującą mowę
3. Przechwycony tekst jest wysyłany do Twojego agenta za pośrednictwem skonfigurowanego polecenia hook
4. Agent przetwarza polecenie głosowe i odpowiada

### Słowa budzące węzła

W aplikacjach towarzyszących iOS i Android budzenie głosowe jest obsługiwane natywnie:

- Konfiguracja słowa budzącego jest zarządzana przez Gateway
- Węzły otrzymują konfigurację słów budzących przy połączeniu
- Wykrywanie używa natywnego rozpoznawania mowy platformy

## Tryb mówienia

Tryb mówienia umożliwia ciągłe rozmowy głosowe -- mów naturalnie i słuchaj, jak Twój agent odpowiada.

### Jak to działa

1. **Zamiana mowy na tekst** -- Twój głos jest transkrybowany w czasie rzeczywistym (strumieniowanie Deepgram lub natywne STT platformy)
2. **Przetwarzanie przez agenta** -- Transkrybowany tekst jest wysyłany do Twojego agenta jako zwykła wiadomość
3. **Zamiana tekstu na mowę** -- Odpowiedź agenta jest głośno czytana

### Automat stanów głosu

Tryb mówienia przechodzi między czterema stanami:

| Stan | Opis |
|------|------|
| **Bezczynny** | Nie słucha aktywnie |
| **Słuchający** | Przechwytuje i transkrybuje Twoją mowę |
| **Myślący** | Agent przetwarza Twoje żądanie |
| **Mówiący** | Odpowiedź agenta jest odczytywana |

### Dostawcy zamiany tekstu na mowę

| Dostawca | Opis |
|----------|------|
| **ElevenLabs** | Wysokiej jakości synteza głosu z wyborem głosu |
| **OpenAI TTS** | API zamiany tekstu na mowę OpenAI |

### Preferencje głosowe

- **Wybór głosu** -- Wybierz spośród dostępnych głosów TTS
- **Niestandardowy prompt systemowy** -- Zastąp osobowość agenta dla trybu głosowego
- **Niestandardowy format odpowiedzi** -- Kontroluj, jak agent formatuje wypowiadane odpowiedzi
- **Obsługa języków** -- Ciągi głosowe zlokalizowane dla 18+ języków

## Polecenia głosowe

### Wykrywanie wielu intencji

Agenci mogą wykrywać i wykonywać wieloetapowe polecenia głosowe:

> "Utwórz wydarzenie w kalendarzu na jutro o 15:00, następnie wyślij e-mail do zespołu w tej sprawie i opublikuj przypomnienie w Slack"

Jest to automatycznie analizowane jako sekwencja poleceń, z których każde jest wykonywane po kolei, a wyniki są przekazywane do następnego kroku.

### Wykonywanie narzędzi

Podczas rozmów głosowych agenci mogą wykonywać narzędzia tak samo jak w rozmowach tekstowych -- przeglądać internet, uruchamiać kod, zarządzać plikami, sterować urządzeniami i nie tylko. Wyniki są podsumowywane i odczytywane głośno.

### Egzekwowanie prawdziwości działań

Tryb głosowy obejmuje walidację, która sprawdza, czy twierdzenia agenta odpowiadają rzeczywistym wynikom narzędzi. Jeśli agent powie „Wysłałem e-mail", ale narzędzie e-mail zawiodło, system wykrywa rozbieżność i zgłasza rzeczywisty wynik.

## Połączenia głosowe (wtyczka)

Wtyczka Voice Call dodaje obsługę telefonii SIP:

- Obsługa połączeń przychodzących
- Połączenia wychodzące (zależne od dostawcy)
- Dwukierunkowe audio w czasie rzeczywistym (strumienie PCM)
- Synteza TTS wstrzykiwana do audio połączenia

## Zarządzanie limitami

Usługi głosowe mogą mieć limity użytkowania:

- Miesięczna alokacja minut dla TTS i STT
- Śledzenie na poziomie sesji
- Ostrzeżenie przy 80% użycia
- Automatyczne odcięcie po osiągnięciu limitu