# Röst

## Översikt

Neotask stöder röstinteraktion via flera system: vakningsordsdetektering, kontinuerliga röstkonversationer (talläge) och text-till-tal för talade svar.

## Vakningsord

### Swabble (macOS)

Swabble är en inbyggd macOS-demon som tillhandahåller alltid-aktiverad, **lokal** vakningsordsdetektering via Apples Speech.framework.

**Funktioner:**
- Lokal bearbetning enbart, inget ljud lämnar din enhet under vakningsordsdetektering
- Anpassningsbara vakningsord
- Kontinuerlig ljudfångst och transkription
- Krokoköring, utlöser skalkommandon när vakningsordet detekteras
- Filtranskription, konvertera ljudfiler till text (TXT- eller SRT-format)
- Konfigurerbar nedkylning, minsta teckenantal och tidsgräns

**Hur det fungerar:**
1. Swabble lyssnar kontinuerligt med hjälp av systemmikrofonen
2. När det detekterar vakningsordet i talad text fångar det efterföljande tal
3. Den fångade texten skickas till din agent via ett konfigurerat krokokommando
4. Agenten bearbetar röstkommandot och svarar

### Nodvakningsord

På iOS- och Android-följappar hanteras röstvakningsord inbyggt:

- Vakningordskonfiguration ägs av Gateway
- Noder tar emot vakningordskonfiguration vid anslutning
- Detektering använder plattformsinbyggd taligenkänning

## Talläge

Talläget möjliggör kontinuerliga röstkonversationer, tala naturligt och hör din agent svara.

### Hur det fungerar

1. **Tal till text**, Din röst transkriberas i realtid (Deepgram-strömning eller plattformsinbyggd STT)
2. **Agentbearbetning**, Den transkriberade texten skickas till din agent som ett vanligt meddelande
3. **Text till tal**, Agentens svar talas upp för dig

### Röststatus-maskin

Talläget övergår mellan fyra tillstånd:

| Tillstånd | Beskrivning |
|-------|-------------|
| **Inaktiv** | Lyssnar inte aktivt |
| **Lyssnar** | Fångar och transkriberar ditt tal |
| **Tänker** | Agenten bearbetar din begäran |
| **Talar**, | Agentsvarets talas upp |

### Text-till-tal-leverantörer

| Leverantör | Beskrivning |
|----------|-------------|
| **ElevenLabs** | Högkvalitativ röstsyntes med röstval |
| **OpenAI TTS** | OpenAIs text-till-tal-API |

### Röstpreferenser

- **Röstval**, Välj bland tillgängliga TTS-röster
- **Anpassad systemprompt**, Åsidosätt agentens personlighet för röstläge
- **Anpassat svarsformat**, Styr hur agenten formaterar talade svar
- **Språkstöd**, Röststrängar lokaliserade för 18+ språk

## Röstkommandon

### Flerintentionsdetektering

Agenter kan detektera och köra flerstegsröstkommandon:

> "Create a calendar event for tomorrow at 3 PM, then send an email to the team about it, and post a reminder in Slack"

Detta parsas automatiskt till en sekvens av kommandon, var och en körd i ordning med resultaten som flödar till nästa steg.

### Verktygsexekvering

Under röstkonversationer kan agenter köra verktyg precis som i textkonversationer, surfa på webben, kör kod, hantera filer, styr enheter och mer. Resultaten sammanfattas och talas upp.

### Handlingssanningskontroll

Röstläget inkluderar validering att agentpåståenden matchar faktiska verktygsutfall. Om en agent säger "Jag har skickat e-postmeddelandet" men e-postverktyget misslyckades fångar systemet avvikelsen och rapporterar det faktiska resultatet.

## Röstsamtal (Plug-in)

Röstsamtal-plug-inet lägger till SIP-telefonistöd:

- Hantering av inkommande samtal
- Utgående samtal (leverantörsberoende)
- Realtids dubbelriktad ljud (PCM-strömmar)
- TTS-syntes injicerad i samtalsljudet

## Kvothantering

Röststjänster kan ha användningskvoter:

- Månadsvis minutallokering för TTS + STT
- Per-session-spårning
- Varning vid 80 % användning
- Automatisk avstängning vid kvotgräns