目標: 「ディクテーション セッション」モデル

Unser Ziel(ドイツ語): 「ディクティエ・シツング」死ね

アイン アインツィガー トリガー スタート アイン 「Diktier-Sitzung」、フェイゼン ベスト:

  1. 開始フェーズ (Warten auf Sprache):

  • Nach dem Trigger lauscht das システム。

  • Wenn keine Spracheingabe erfolgt, endet die gesamte Sitzung nach PRE_RECORDING_TIMEOUT (z.B. 12s)。

  1. Aktivphase (Kontinuierliches Diktieren):

  • Sobald die erste Spracheingabe erkannt wird、wechselt die Sitzung in den aktiven Modus。

  • Immer wenn VOSK eine Sprechpause erkennt und einen Textblock liefert (z.B. einen Satz)、wird Dieser Block sofort zur Verarbeitung (LanguageTool など) weitergegeben und als Text ausgegeben。

  • Die Aufnahme läuft währenddessen nahtlos weiter。 Die Sitzung wartet auf den nächsten Satz。

  1. エンドフェーズ (Ende der Sitzung):

  • 最も重要な問題は次のとおりです:

  • Der Nutzer bleibt für die Dauer des SPEECH_PAUSE_TIMEOUT (z.B. 1-2s) komplett はまだです。

  • トリガーごとに、Der Nutzer stoppt die Sitzung manuell。

Zusammengefasst: Eine Sitzung、viele sofortige Textausgaben。活動を停止し、操作を一時停止してください。

目標:「ディクテーション セッション」モデル

単一のトリガーで 「ディクテーション セッション」 が開始されます。これは 3 つのフェーズで構成されます。

  1. スタートアップフェーズ (スピーチ待機中):

  • トリガー後、システムはリスニングを開始します。

  • 音声が検出されない場合、「PRE_RECORDING_TIMEOUT」(例: 12 秒) 経過後にセッション全体が終了します。

  1. アクティブフェーズ (連続ディクテーション):

  • 最初の音声入力が検出されるとすぐに、セッションはアクティブ モードに切り替わります。

  • VOSK が一時停止を検出し、テキスト チャンク (文など) を配信するたびに、このチャンクは 直ちに 処理パイプライン (LanguageTool など) に渡され、テキストとして出力されます。

  • 録音はバックグラウンドでシームレスに継続され、次の発話を待ちます。

  1. 終了フェーズ (セッションの終了):

  • セッション全体は、次の 2 つの条件のいずれかが満たされた場合にのみ終了します。

  • ユーザーは「SPEECH_PAUSE_TIMEOUT」の間 (例: 1 ～ 2 秒) 完全に沈黙したままになります。

  • ユーザーはトリガーを介してセッションを手動で停止します。 要約: 1 つのセッションで複数の即時テキスト出力。セッションは、ユーザーが長い一時停止をするか、手動で終了するまでアクティブのままです。