iobroker.assistant 1.4.6 → 1.4.7

package/io-package.json

@@ -1,8 +1,21 @@
 {
   "common": {
     "name": "assistant",
-    "version": "1.4.6",
+    "version": "1.4.7",
     "news": {
+      "1.4.7": {
+        "en": "Voice messages: `ask` also takes a recording (`audio` as base64 plus `format`, e.g. `ogg`) instead of text. It is recognised with the speech recognition of the Voice tab and answered like a text question; the reply carries the recognised text as `heard`. Telegram uses it for voice messages\nPath to ffmpeg can be set on the Voice tab (empty = from the search path), with a button that checks it\nHosts without ffmpeg: \"Download ffmpeg\" on the Voice tab fetches a static build of ffmpeg-static (20-30 MB, checked against a fixed SHA-256) into the data directory of the instance; it is used while no path is entered\nPictures: `ask` takes `images` (base64 JPEG/PNG/GIF/WebP, at most 4) and passes them to the cloud model (OpenAI-compatible, Anthropic, pi-agent); without a text the question is \"What is in this picture?\". Rules and the local model are skipped for them. Telegram uses it for photos\nVideos: `ask` takes a reference `video: { adapter, path }` into the file storage (never the content). Videos are not looked at yet: without a question the answer says so, with one the model is told\nESPHome: after a reply that asked something, every later reply re-opened the microphone. The firmware keeps `continue_conversation` until it is told \"0\", so every reply now says it, like Home Assistant does\nSatellites only listen again after a reply that asks something: a [[LISTEN]] marker (pi-agent's confirmations) or a question mark at the end. A question mark in the middle of a reply no longer opens the microphone\nESPHome satellites with a screen: yes/no buttons (event `confirm_answer`) answer the open question like a spoken \"yes\"/\"no\" - the microphone closes, the reply is announced on that satellite. A select `display_language` is set to the voice language when the satellite connects",
+        "de": "Sprachnachrichten: `ask` nimmt statt Text auch Aufnahme (`Audio` als Base64 plus `Format`, z. B. `ogg`). Es wird von der Spracherkennung im Sprach-Tab erkannt und wie eine Textfrage beantwortet; die Antwort enthält den Text „gehört“. Telegram nutzt es für Sprachnachrichten\nDer Pfad zu ffmpeg kann auf dem Tab Voice (leer = aus dem Suchpfad) gesetzt werden.\nHosts ohne ffmpeg: „Download ffmpeg“ im Tab Voice ruft eine statische Version von ffmpeg-static (20-30 MB, geprüft mit SHA-256) in das Datenverzeichnis der Instanz ab; wird ohne Pfadangabe verwendet\nBilder: `ask` nimmt Bilder (base64 JPEG/PNG/GIF/Webp, maximal 4) und übergibt sie an das Cloud-Modell (OpenAI-kompatibel, Anthropic, Pi-Agent); ohne Text lautet die Frage „Was ist auf dem Bild?“. Regeln und das lokale Modell entfallen. Telegram nutzt es für Fotos\nVideos: `ask` nimmt eine Referenz `video: {adapter, path} `in den Speicher (nie den Inhalt). Videos sind noch nicht angeschaut: ohne Frage sagt die Antwort ja, bei einem wird das Model\nESPhome: Nach einer Antwort mit einer Frage öffnete jede weitere Antwort das Mikrofon. Die Firmware fährt fort, bis „0\" angezeigt wird, also sagt es jetzt jede Antwort, wie Home Assistant\nSatelliten hören erst wieder zu, wenn sie etwas fragen: [[ZUHÖREN]] -Zeichen (Bestätigung des Pi-Agenten) oder Fragezeichen am Ende. Ein Fragezeichen in der Antwort öffnet das Mikro nicht mehr\nESPHome-Satelliten mit Bildschirm: Ja/Nein-Tasten (Event `confirm_answer`) beantworten offene Fragen wie „Ja“ /\"Nein“ — das Mikrofon schließt sich, die Antwort wird am Satelliten angekündigt. A select `display_language` ist die Sprachsprache, wenn der Satellit kommt",
+        "ru": "Голосовые сообщения: `ask` также принимает запись (`audio` в формате base64 плюс `format`, например `ogg`) вместо текста. Оно распознается с помощью функции распознавания речи на вкладке «Голос» и отвечает на него как на текстовый вопрос; в ответе распознанный текст считается «услышанным». Telegram использует его для голосовых сообщений\nПуть к ffmpeg можно задать на вкладке Voice (пусто = из пути поиска) с помощью кнопки, которая его проверяет\nХосты без ffmpeg: при нажатии кнопки «Загрузить ffmpeg» на вкладке «Голос» статическая сборка ffmpeg-static (20-30 МБ, в сравнении с фиксированным значением SHA-256) загружается в каталог данных экземпляра; она используется, когда путь не указан\nИзображения: `ask` берет «изображения» (base64 JPEG/PNG/GIF/WebP, максимум 4) и передает их в облачную модель (совместимую с OpenAI, Anthropic, pi-agent); без текста вопрос: «Что на этой картинке?». Правила и локальная модель для них пропущены. Telegram использует его для фотографий\nВидео: `ask` помещает ссылку `video: {adapter, path} `в файловое хранилище (а не содержимое). Видеоролики пока не просматриваются: без вопросов ответ говорит сам за себя, по одному из них модель рассказывается\neSpHome: после ответа на какой-то вопрос каждый последующий ответ снова открывал микрофон. Прошивка сохраняет «continue_conversation» до тех пор, пока не будет указано «0», поэтому теперь в каждом ответе так же, как и в Home Assistant\nСпутники снова слушают только после ответа с вопросом: маркером [[LISTEN]] (подтверждения pi-agent) или вопросительным знаком в конце. Значок вопроса в середине ответа больше не открывает микрофон\nСпутники EspHome с экраном: кнопки «да/нет» (событие `confirm_answer`) отвечают на открытый вопрос так же, как и произнесенное «да»/«нет» — микрофон закрывается, ответ объявляется на этом спутнике. При подключении спутника выбранный язык `display_language` выбирается на язык голоса",
+        "pt": "Mensagens de voz: `ask` também grava (`audio` em base64 mais `format`, e.g. `ogg`) em vez de texto. É reconhecida com o reconhecimento de fala na guia Voz e respondida como uma pergunta de texto; a resposta leva o texto reconhecido como “ouvido”. O Telegram o usa para mensagens de voz\nO caminho para ffmpeg pode ser definido na aba Voz (vazio = da busca), com um botão\nHosts sem ffmpeg: “Baixar ffmpeg” na guia Voice busca uma versão estática de ffmpeg-static (20 a 30 MB, comparada a um SHA-256 fixo) no diretório de dados da instância; é usada sem inserir caminho\nImagens: `ask` pega `images` (base64 JPEG/PNG/GIF/WebP, no máximo 4) e as passa para o modelo de nuvem (OpenAI, Anthropic, pi-agent); sem texto, a pergunta é “O que há nesta foto?”. Eles ignoram as regras e o modelo local. Telegram usa para fotos\nVídeos: `ask` leva a referência `video: {adapter, path} `para o arquivo (nunca o conteúdo). Os vídeos ainda não foram vistos: sem dúvida, a resposta diz: com um, a modelo diz\nESPHome: após uma resposta que perguntava algo, cada resposta reabria o microfone. O firmware continua conversando até ouvir “0\", então toda resposta agora diz isso, como o Home Assistant.\nOs satélites só escutam novamente após uma resposta que pergunta algo: um marcador (confirmações do agente pi) ou uma interrogação no final. Uma interrogação no meio da resposta não abre mais o microfone\nOs satélites ESPHome com tela: botões sim/não (evento `confirm_answer`) respondem à pergunta aberta como um “sim” /\"não” falado - o microfone fecha e a resposta é anunciada no satélite. Um `display_language` é definido para o idioma de voz quando o satélite se conecta",
+        "nl": "Spraakberichten: voor `ask` is ook een opname nodig (`audio` als base64 plus `formaat`, bijvoorbeeld `ogg`) in plaats van tekst. Het wordt herkend met de spraakherkenning op het tabblad Spraak en beantwoord als een tekstvraag; het antwoord bevat de herkende tekst als „gehoord”. Telegram gebruikt het voor spraakberichten\nHet pad naar ffmpeg kan worden ingesteld op het tabblad Spraak (leeg = van het zoekpad), met een knop die het controleert\nHosts zonder ffmpeg: „Download ffmpeg” op het tabblad Voice haalt een statische versie van ffmpeg-static (20-30 MB, vergeleken met een vaste SHA-256) op naar de gegevensmap van de instantie; deze wordt gebruikt zonder dat er een pad is ingevoerd\nAfbeeldingen: `ask` neemt `beelden` (base64 JPEG/PNG/GIF/WebP, maximaal 4) en geeft deze door aan het cloudmodel (compatibel met OpenAI, Anthropic, pi-agent); zonder tekst is de vraag „Wat staat er op deze foto?”. Regels en het lokale model worden voor hen overgeslagen. Telegram gebruikt het voor foto's\nVideo's: `ask` neemt een referentie `video: {adapter, path} `mee naar de bestandsopslag (nooit de inhoud). De video's zijn nog niet bekeken: zonder een vraag is het antwoord ja, bij één wordt het model verteld\nESPhome: na een antwoord waarin iets werd gevraagd, werd bij elk antwoord later de microfoon opnieuw geopend. De firmware bewaart `continue_conversation` tot er „0\" wordt verteld, dus elk antwoord zegt het nu, zoals Home Assistant dat doet\nSatellieten luisteren pas weer na een antwoord waarin iets wordt gevraagd: een [[LISTEN]] -markering (de bevestigingen van de pi-agent) of een vraagteken aan het einde. Een vraagteken in het midden van een antwoord opent de microfoon niet langer\nESPhome-satellieten met een scherm: ja/nee-knoppen (gebeurtenis `confirm_answer`) beantwoorden de open vraag als een gesproken „ja” /\"nee” - de microfoon wordt gesloten, het antwoord wordt aangekondigd op die satelliet. Een geselecteerde `display_language` is ingesteld op de stemtaal wanneer de satelliet verbinding maakt",
+        "fr": "Messages vocaux : `ask` enregistre également (`audio` en base64 plus `format`, par exemple `ogg`) au lieu du texte. La reconnaissance vocale de l'onglet Voix y est traitée comme une question textuelle ; le texte reconnu comme « entendu » apparaît sur la réponse. Telegram l'utilise pour les messages vocaux\nLe chemin vers ffmpeg peut être défini dans l'onglet Voice (vide = depuis le chemin de recherche)\nHôtes sans ffmpeg : « Download ffmpeg » de l'onglet Voice récupère une version statique de ffmpeg-static (20 à 30 Mo, comparé à un SHA-256 fixe) dans le répertoire de données de l'instance ; il est utilisé sans chemin\nPhotos : `ask` prend des « images » (base64 JPEG/PNG/GIF/WebP, au plus 4) et les transmet au modèle cloud (compatible OpenAI, Anthropic, pi-agent) ; sans texte, la question est « Qu'y a-t-il sur cette photo ? ». Les règles et le modèle local leur sont ignorés. Telegram l'utilise pour les photos\nVidéos : `ask` place la référence « video : {adapter, path} » dans le stockage (jamais le contenu). Les vidéos ne sont pas encore regardées : la réponse est claire, avec une, le mannequin\nESPhome : après une réponse qui demandait quelque chose, le micro a été rouvert à chaque réponse. Le firmware conserve « continue_conversation » jusqu'à ce qu'on lui donne « 0 », donc chaque réponse le dit, comme Home Assistant\nLes satellites ne réécoutent qu'après une réponse demandant quelque chose : un marqueur [[LISTEN]] (confirmation de l'agent PI) ou un point d'interrogation à la fin. Un point d'interrogation au milieu d'une réponse n'ouvre plus le micro\nSatellites ESPhome avec écran : les boutons oui/non (event « confirm_answer ») répondent à la question ouverte comme un « oui » /un « non ». Le micro se ferme, la réponse est annoncée sur ce satellite. Un select « display_language » est réglé sur la langue de la voix lorsque le satellite se connecte",
+        "it": "Messaggi vocali: `ask` registra anche (`audio` in base64 più `format`, es. `ogg`) anziché testo. Viene riconosciuta con il riconoscimento vocale della scheda Voce e risponde come una domanda testuale; il testo è «sentito». Telegram lo usa per i messaggi vocali\nIl percorso di ffmpeg è impostato nella scheda Voce (vuota = ricerca), con un pulsante\nHost senza ffmpeg: «Scarica ffmpeg» nella scheda Voice recupera una build statica di ffmpeg-static (20-30 MB, confrontata con un SHA-256 fisso) nella cartella dati dell'istanza; è usata senza percorso\nFoto: `ask` prende `immagini` (base64 JPEG/PNG/GIF/WebP, al massimo 4) e le passa al modello cloud (compatibile con OpenAI, Anthropic, pi-agent); senza testo la domanda è «Cosa c'è nella foto?». Le regole e il modello locale sono saltati. Telegram lo usa per le foto\nVideo: `ask` inserisce un riferimento `video: {adapter, path} `nel file (mai il contenuto). I video non sono ancora visti: senza una domanda la risposta, con una la modella\nESPHome: dopo una domanda, ogni risposta successiva riapre il microfono. Il firmware continua a parlare finché non dice «0\", quindi ora ogni risposta lo dice, come Home Assistant\nI satelliti riascoltano solo dopo una risposta che chiede qualcosa: un [[LISTEN]] (conferme di pi-agent) o un punto interrogativo alla fine. Un punto a metà risposta non apre più il microfono\nSatelliti ESPhome con schermo: i pulsanti sì/no (evento `confirm_answer`) rispondono alla domanda aperta con un «sì» /\"no»: il microfono si chiude, la risposta è annunciata. La lingua vocale selezionata è `display_language` quando il satellite si connette",
+        "es": "Mensajes de voz: `ask` también graba (`audio` en base64 más `formato`, p. ej., `ogg`) en lugar de texto. Se reconoce con el reconocimiento de voz de la pestaña Voz y se responde como una pregunta de texto; la respuesta incluye el texto reconocido como «oído». Telegram lo usa para mensajes de voz\nLa ruta a ffmpeg se puede fijar en la pestaña Voz (vacía = en la ruta de búsqueda), con un botón que la marca\nHosts sin ffmpeg: «Descargar ffmpeg» en la pestaña Voz busca una versión estática de ffmpeg-static (de 20 a 30 MB, comparada con un SHA-256 fijo) en el directorio de datos de la instancia; se usa sin introducir ninguna ruta\nImágenes: `ask` toma `imágenes` (base64 JPEG/PNG/GIF/WebP, como máximo 4) y las pasa al modelo de nube (compatible con OpenAI, Anthropic, pi-agent); sin texto, la pregunta es «¿Qué hay en esta imagen?». Se saltan las reglas y el modelo local. Telegram lo usa para fotos\nVídeos: `ask` lleva la referencia `video: {adapter, path} `al almacenamiento de archivos (nunca al contenido). Los vídeos aún no se ven: sin duda, la respuesta lo dice, con uno, le dicen a la modelo\nESPhome: Tras una respuesta en la que se preguntaba algo, cada vez que respondía volvía a abrir el micrófono. El firmware mantiene «continuar la conversación» hasta que se le diga «0», así que ahora todas las respuestas lo dicen, como Home Assistant\nLos satélites solo vuelven a escuchar después de una respuesta que diga algo: un marcador (confirmaciones del agente pi) o un signo de interrogación al final. Un signo de interrogación en mitad de la respuesta ya no abre el micrófono\nSatélites ESPhome con pantalla: los botones sí/no (evento `confirm_answer`) responden a la pregunta abierta como un «sí» /\"no» hablado: el micrófono se cierra y la respuesta se anuncia en ese satélite. Seleccione `display_language` como idioma de voz cuando el satélite se conecta",
+        "pl": "Wiadomości głosowe: `ask` pobiera również nagranie (`audio` jako base64 plus `format`, np. `ogg`) zamiast tekstu. Jest rozpoznawany za pomocą rozpoznawania mowy na karcie Głos i odpowiada jak pytanie tekstowe; odpowiedź zawiera rozpoznany tekst jako „słyszany”. Telegram używa go do wiadomości głosowych\nŚcieżkę do ffmpeg można ustawić na karcie Głos (pusta = ze ścieżki wyszukiwania), za pomocą przycisku, który ją sprawdza\nHosty bez ffmpeg: „Pobierz ffmpeg” na karcie Głos pobiera statyczną kompilację ffmpeg-static (20-30 MB, zaznaczoną na podstawie stałego SHA-256) do katalogu danych instancji; jest używany, gdy nie jest wprowadzana ścieżka\nZdjęcia: `ask` pobiera „obrazy” (base64 JPEG/PNG/GIF/WebP, najwyżej 4) i przekazuje je do modelu chmury (kompatybilny z OpenAI, Anthropic, pi-agent); bez tekstu pytanie brzmi „Co jest na tym zdjęciu?”. Zasady i model lokalny są dla nich pomijane. Telegram używa go do zdjęć\nFilmy: `ask` pobiera odniesienie `video: {adapter, path} `do magazynu plików (nigdy treści). Filmy nie są jeszcze oglądane: bez pytania odpowiedź tak mówi, z jednym model jest powiedziany\nESPhome: po odpowiedzi, w której o coś pytano, każda późniejsza odpowiedź ponownie otwierała mikrofon. Oprogramowanie układowe utrzymuje „continue_conversation”, dopóki nie zostanie powiedziane „0”, więc każda odpowiedź mówi to teraz, tak jak robi to Home Assistant\nSatelity słuchają ponownie dopiero po odpowiedzi, która o coś pyta: znacznik [[LISTEN]] (potwierdzenia agenta pi-agenta) lub znak zapytania na końcu. Znak zapytania w środku odpowiedzi nie otwiera już mikrofonu\nSatelity ESPhome z ekranem: przyciski tak/nie (zdarzenie `confirm_answer`) odpowiadają na otwarte pytanie jak wypowiedziane „tak” /\"nie” - mikrofon zamyka się, odpowiedź jest ogłaszana na tym satelicie. Wybierz `display_language` jest ustawiony na język głosu, gdy satelita łączy się",
+        "uk": "Голосові повідомлення: `ask` також приймає запис (`audio` як base64 плюс `format`, наприклад `ogg`) замість тексту. Він розпізнається за допомогою розпізнавання мовлення на вкладці Голос і відповідає як текстове запитання; відповідь містить розпізнаний текст як «почутий». Telegram використовує його для голосових повідомлень\nШляху до ffmpeg можна встановити на вкладці Голос (порожній = з шляху пошуку), за допомогою кнопки, яка перевіряє його\nХости без ffmpeg: «Завантажити ffmpeg» на вкладці Голос отримує статичну збірку ffmpeg-static (20-30 Мб, перевірено проти фіксованого SHA-256) у каталог даних екземпляра; він використовується, коли шлях не вводиться\nЗображення: `ask` бере `зображення` (base64 JPEG/PNG/GIF/WebP, максимум 4) і передає їх у хмарну модель (OpenAI-сумісна, антропна, pi-агент); без тексту питання «Що на цій картині?». Правила і локальна модель для них пропускаються. Telegram використовує його для фотографій\nВідео: `ask` переносить посилання `video: {adapter, path} `у сховище файлів (ніколи не вміст). Відео поки не дивляться: без питання відповідь говорить так, з одним розповідається модель\nESPHome: після відповіді, яка щось запитала, кожна пізніша відповідь знову відкриває мікрофон. Прошивка зберігає `continue_conversation`, доки їй не буде сказано «0», тому кожна відповідь тепер говорить це, як це робить домашній помічник\nСупутники знову слухають лише після відповіді, яка щось запитує: маркер [[LISTEN]] (підтвердження pi-агента) або знак питання в кінці. Знак питання посередині відповіді більше не відкриває мікрофон\nСупутники ESPHome з екраном: кнопки так/ні (подія `confirm_answer`) відповідають на відкрите запитання, як вимовлене «так» /\"ні» - мікрофон закривається, відповідь оголошується на цьому супутнику. Вибір `display_language` встановлюється на мову голосу, коли супутник підключається",
+        "zh-cn": "语音消息：“ask” 还使用录音（“音频” 作为 base64 加上 “格式”，例如 “ogg”）而不是文本。它可通过 “语音” 选项卡的语音识别进行识别，并像文字问题一样回答；回复中识别出的文本为 “已听到”。Telegram 用它来发送语音消息\n可以在 “语音” 选项卡上设置 ffmpeg 的路径（空 = 来自搜索路径），使用一个按钮来检查路径\n没有 ffmpeg 的主机：“语音” 选项卡上的 “下载 ffmpeg” 会将 ffmpeg-static 的静态版本（20-30 MB，对照固定的 SHA-256 进行检查）提取到实例的数据目录中；在未输入路径时使用\n图片：`ask`取`图像`（base64 JPEG/PNG/GIF/WebP，最多4张）并将其传递给云端模型（兼容 OpenAI、Anthropic、pi-agent）；如果没有文字，问题是 “这张照片里有什么？”。它们会跳过规则和局部模型。Telegram 用它拍照\n视频：`ask`将引用 `video: {适配器，路径} `存入文件存储（而不是内容）。视频还没有被看过：没有问题，答案就是这样，其中一个是模特被告知的\nespHome：在回复询问某事之后，每当以后的回复都会重新打开麦克风。固件会保持 “continue_conversation” 直到被告知 “0”，所以现在每个回复都会像家庭助理一样说出来\n卫星只有在回复后才会再次收听：[[LISTEN]] 标记（pi-agent 的确认）或末尾的问号。回复中间的问号不会再打开麦克风\n带有屏幕的 espHome 卫星：是/否按钮（事件 “confirm_answer”）像口头说 “是”/“否” 一样回答悬而未决的问题 —— 麦克风关闭，回复将在该卫星上公布。卫星连接时，选择的 “display_language” 设置为语音语言"
+      },
       "1.4.6": {
         "en": "Speech recognition: own OpenAI-compatible server (Voice tab, provider OpenAI, \"Speech recognition server\"), e.g. a local whisper-large-v3-turbo in speaches, faster-whisper-server or LocalAI. It needs no OpenAI key and never gets it; an own key for the server is optional",
         "de": "Spracherkennung: eigener OpenAI-kompatibler Server (Voice Tab, Anbieter OpenAI, „Speech Recognition Server“), z. B. ein lokaler Whisper-Large-V3-Turbo für Reden, Faster-Whisper-Server oder LocalAI. Es braucht keinen OpenAI-Key und kriegt ihn nie; optional",
@@ -80,19 +93,6 @@
         "pl": "Ustawienia satelity: elementy sterujące złożone pokazują swoją nazwę („Aktualizacja oprogramowania układowego”) zamiast identyfikatora obiektu („thirdreality_firmware_update”), a wartości urządzeń ESPhome nie przenoszą już szumu float (0,5 zamiast 0.5000000237487257, krok 0.001 zamiast 0.0010000000474974513). Istniejące kontrolki numerów uzyskują wyczyszczony zasięg przy następnym połączeniu\nUstawienia satelitarne, aktualizacja oprogramowania układowego: przycisk instalacji pojawia się tylko wtedy, gdy dostępna jest inna wersja, a uruchomiona aktualizacja pokazuje jej postęp jako pasek",
         "uk": "Налаштування супутника: складні елементи керування показують свою назву («Оновлення прошивки») замість ідентифікатора об'єкта («thirdreality_firmware_update»), а значення пристроїв ESPHome більше не несуть шуму поплавця (0,5 замість 0,5000000237487257, крок 0,001 замість 0,0010000000474974513). Існуючі елементи керування номерами отримують очищений діапазон при наступному підключенні\nНалаштування супутника, оновлення прошивки: кнопка установки з'являється лише тоді, коли доступна інша версія, а запущене оновлення показує її прогрес як панель",
         "zh-cn": "卫星设置：复合控件显示其名称（“固件更新”），而不是对象 ID（“thirdreality_firmware_update”），而且 espHome 设备的值不再带有浮动噪声（0.5 而不是 0.5000000237487257，步骤 0.001 而不是 0.001000000474974513）。现有数字控件可在下次连接时获得清理范围\n卫星设置、固件更新：安装按钮仅在其他版本可用时出现，正在运行的更新以条形显示其进度"
-      },
-      "1.4.0": {
-        "en": "ESPHome satellites: new column \"Speech threshold\" per device (empty = 250, as before). A device with a quiet microphone, for example a phone running a satellite app, reacted to the wake word but dropped the command as silence unless one spoke loudly right next to it. When an utterance is dropped although it came close to the threshold, the log now says so and suggests a value\nVoice: the length limit for spoken answers is now a setting (\"Longest spoken answer\", Voice tab, default 400 characters ≈ 25–30 seconds, 0 = no limit). Longer answers stopped after about half a minute without notice; the log warning now names the setting. For a spoken request the AI model (cloud LLM and pi-agent) is told the limit and asked not to read out state ids or long numbers, so the answer fits instead of being cut\nESPHome satellites: the microphone closes again when nobody starts speaking within 5 s of the wake word (8 s after a follow-up question). A false wake kept it open for 12.6 s before\nESPHome satellites: new option \"Keep dropped recordings for diagnosis\". Recordings dropped as silence or returned empty by the speech recognition are stored as WAV plus a JSON with the detector levels under Files → assistant.N/captures (the newest 50), to find out what set a satellite off. Off by default: they contain audio from the room",
-        "de": "ESPHome-Satelliten: neue Spalte „Sprachschwelle“ pro Gerät (leer = 250, wie zuvor). Ein Gerät mit leisem Mikrofon, z. B. ein Telefon mit Satelliten-App, reagierte auf das Weckwort, gab den Befehl aber aus, es sei denn, jemand sprach laut daneben. Wenn eine Äußerung fällt, obwohl sie nahe dran war, sagt das Log das und schlägt einen Wert vor\nStimme: Die Länge für mündliche Antworten ist jetzt einstellbar („Längste Antwort“, Sprachtab, 400 Zeichen ≈ 25—30 Sekunden, 0 = unbegrenzt). Längere Antworten hörten ohne Vorwarnung auf; die Logwarnung benennt nun die Einstellung. Bei mündlicher Anfrage wird dem KI-Modell (Cloud LLM und Pi-Agent) das Limit mitgeteilt und keine langen Zahlen vorgelesen, damit die Antwort passt\nESPHome-Satelliten: Das Mikrofon geht wieder zu, wenn innerhalb von 5 s nach dem Weckwort niemand spricht (8 s nach einer Folgefrage). Vorher war es 12,6 s lang aktiv\nESPHome-Satelliten: neue Option „Daten zur Diagnose speichern“. Die Spracherkennung gibt stumm oder leer zurück, als WAV plus JSON mit den Melderstufen unter Files → Assistant.n/Captures (die neuesten 50) gespeichert, um herauszufinden, was einen Satelliten ausgelöst hat. Standardmäßig aus: Ton vom Raum ist drin",
-        "ru": "Спутники EspHome: новый столбец «Порог речи» для каждого устройства (пусто = 250, как и раньше). Устройство с бесшумным микрофоном, например телефон, на котором запущено спутниковое приложение, отреагировало на слово для пробуждения, но отбрасывало команду как молчание, если рядом не заговоришь громко. Если высказывание было пропущено, хотя оно и приблизилось к пороговому значению, в журнале появится сообщение об этом и указано значение\nГолос: теперь задано ограничение длины устных ответов («Самый длинный устный ответ», вкладка «Голос», по умолчанию 400 символов ≈ 25—30 секунд, 0 = без ограничений). Более длинные ответы прекратились примерно через полминуты без предварительного уведомления; теперь значение параметра указано в предупреждении в журнале. При голосовом запросе модель искусственного интеллекта (облачный LLM и pi-agent) получает информацию о предельном значении и не зачитывает идентификаторы состояний или длинные числа, поэтому ответ подходит, а не вырезан\nСпутники EspHome: микрофон снова закрывается, когда никто не начинает говорить в течение 5 секунд после пробуждения (через 8 секунд после следующего вопроса). После ложного пробуждения устройство оставалось открытым в течение 12,6 с\nСпутники EspHome: новая опция «Сохраняйте потерянные записи для диагностики». Записи, потерянные в тишине или оставленные пустыми при распознавании речи, сохраняются в формате WAV и JSON с уровнями детектора в разделе Файлы → Assistant.n/Captures (последние 50), чтобы узнать, что послужило причиной срабатывания спутника. По умолчанию выключено: в них содержится звук из комнаты",
-        "pt": "Satélites ESPHome: nova coluna “Limite de fala” por aparelho (vazia = 250, como antes). Um dispositivo com microfone silencioso, por exemplo, um telefone com aplicativo de satélite, reagiu à palavra de ativação, mas silenciou a menos que falasse alto ao lado. Quando um enunciado cai, embora esteja perto do limite, o log agora diz isso e sugere um valor\nVoz: o limite para respostas faladas agora é definido (“Resposta mais longa”, guia Voz, 400 caracteres padrão ≈ 25—30 segundos, 0 = sem limite). Respostas longas pararam após meio minuto sem aviso prévio; o aviso agora nomeia a opção. Para um pedido falado, o modelo de IA (cloud LLM e pi-agent) não lê IDs de estado ou números longos, então a resposta cabe em vez de ser cortada\nSatélites ESPHome: o microfone fecha novamente quando ninguém começa a falar 5 s após a palavra de ativação (8 s após uma pergunta). Um falso velório abriu 12,6 s antes\nSatélites ESPHome: nova opção “Manter gravações para diagnóstico”. As gravações silenciadas ou retornadas vazias pelo reconhecimento de voz são armazenadas em WAV e JSON com os níveis do detector em Files → Assistant.n/Captures (os 50 mais novos), para descobrir o que acionou um satélite. Desligado por padrão: contêm áudio da sala",
-        "nl": "ESPhome-satellieten: nieuwe kolom „Spraakdrempel” per apparaat (leeg = 250, zoals eerder). Een apparaat met een stille microfoon, bijvoorbeeld een telefoon met een satellietapp, reageerde op het wake-word, maar liet het commando vallen als stilte, tenzij iemand luid ernaast sprak. Als een uiting wordt weggelaten, hoewel deze bijna de drempelwaarde heeft bereikt, staat dat nu in het logboek en wordt een waarde voorgesteld\nSpraak: de lengtelimiet voor gesproken antwoorden is nu een instelling („Langst gesproken antwoord”, tabblad Spraak, standaard 400 tekens ≈ 25—30 seconden, 0 = geen limiet). Langere antwoorden stopten na ongeveer een halve minuut zonder voorafgaande kennisgeving; de logwaarschuwing geeft nu een naam aan de instelling. Voor een gesproken verzoek wordt aan het AI-model (cloud LLM en pi-agent) verteld wat de limiet is en wordt gevraagd om staats-ID's of lange cijfers niet voor te lezen, zodat het antwoord past in plaats van te worden ingekort\nESPhome-satellieten: de microfoon wordt weer gesloten als niemand binnen 5 seconden na het wake-word begint te spreken (8 seconden na een vervolgvraag). Een valse wake hield hem 12,6 s eerder open\nESPhome-satellieten: nieuwe optie „Opnames bewaren voor diagnose”. Opnamen die door de spraakherkenning als stilte zijn weggelaten of als leeg worden teruggestuurd, worden opgeslagen als WAV plus een JSON met de detectorniveaus onder Bestanden → Assistant.n/Captures (de nieuwste 50), om uit te zoeken wat een satelliet heeft veroorzaakt. Standaard uitgeschakeld: ze bevatten audio uit de kamer",
-        "fr": "Satellites ESPhome : nouvelle colonne « Seuil vocal » par appareil (vide = 250, comme avant). Un appareil doté d'un micro silencieux, par exemple un téléphone doté d'une application satellite, a réagi au réveil mais a annulé la commande à moins que l'on ne parle fort juste à côté. Lorsqu'un énoncé est supprimé alors qu'il approchait du seuil, le journal l'indique et suggère une valeur\nVoix : la limite de longueur des réponses orales est désormais réglée (« Réponse la plus longue », onglet Voix, 400 caractères par défaut, 25 à 30 secondes, 0 = aucune limite). Les réponses longues se sont arrêtées au bout d'une demi-minute sans préavis ; le log indique désormais le réglage. Pour une demande orale, le modèle AI (cloud LLM et pi-agent) reçoit la limite et ne doit pas lire les ID d'état ni les longs chiffres. La réponse est donc adaptée au lieu d'être coupée\nSatellites ESPhome : le micro se ferme à nouveau lorsque personne ne parle dans les 5 s qui suivent le réveil (8 s après une question de suivi). Un faux sillage l'a maintenu ouvert 12,6 s\nSatellites ESPhome : nouvelle option « Enregistrer les données pour le diagnostic ». Les enregistrements supprimés ou renvoyés vides par la reconnaissance vocale sont stockés au format WAV et JSON avec les niveaux de détection sous Files → Assistant.n/Captures (les 50 plus récents), pour savoir ce qui a déclenché un satellite. Désactivé par défaut : le son de la pièce y est diffusé",
-        "it": "Satelliti ESPHome: nuova colonna «Soglia vocale» per dispositivo (vuota = 250). Un dispositivo con microfono silenzioso, ad esempio un telefono con app satellitare, ha reagito alla parola di attivazione ma è silenziosa. Quando un enunciato viene eliminato anche se si avvicina alla soglia, il log ora lo dice e suggerisce un valore\nVoce: il limite di durata delle risposte vocali è ora impostato («Risposta più lunga», voce, 400 caratteri ≈ 25-30 secondi, 0 = nessun limite). Le risposte lunghe cessano dopo circa mezzo minuto senza preavviso; l'avviso ora nomina l'impostazione. Su richiesta orale, al modello AI (cloud LLM e pi-agent) viene chiesto di non leggere ID di stato o numeri lunghi, quindi la risposta è adatta\nSatelliti ESPhome: il microfono si richiude quando nessuno inizia a parlare entro 5 s dalla sveglia (8 s dopo una domanda). Una falsa scia lo teneva aperto per 12,6 s\nSatelliti ESPhome: nuova opzione «Salva dati per la diagnosi». Le registrazioni silenziate o rese vuote dal riconoscimento vocale vengono archiviate come WAV più un JSON con i livelli del sensore in File → Assistant.n/Captures (i 50 più recenti), per scoprire cosa ha spento un satellite. Off di default: contengono audio dalla sala",
-        "es": "Satélites ESPhome: nueva columna «Umbral de voz» por dispositivo (vacía = 250, como antes). Un dispositivo con un micrófono silencioso, por ejemplo, un teléfono con una aplicación de satélite, reaccionó al despertar, pero dejó caer la orden de silencio a menos que se hablara en voz alta justo al lado. Cuando se deja caer un enunciado aunque se acerca al umbral, el registro ahora lo dice y sugiere un valor\nVoz: el límite de longitud de las respuestas es ahora un ajuste («Respuesta más larga», pestaña Voz, 400 caracteres por defecto ≈ 25 a 30 segundos, 0 = sin límite). Las respuestas más largas se detienen medio minuto sin previo aviso; el aviso de registro ahora nombra el ajuste. Para una solicitud oral, al modelo de IA (LLM en la nube y agente de PI) se le dice el límite y se le pide que no lea las identificaciones estatales ni los números largos, así que la respuesta cabe\nSatélites ESPhome: el micrófono se vuelve a cerrar cuando nadie empieza a hablar a los 5 s de la palabra de activación (8 s después de la pregunta). Una falsa estela la mantuvo abierta 12,6 s antes\nSatélites ESPhome: nueva opción «Guardar grabaciones para diagnosticar». Las grabaciones silenciadas o devueltas vacías por el reconocimiento de voz se almacenan como WAV y JSON con los niveles del detector en Files → Assistant.n/Captures (los 50 más nuevos), para saber qué es lo que hizo que un satélite se apagara. Desactivados por defecto: contienen audio de la sala",
-        "pl": "Satelity ESPhome: nowa kolumna „Próg mowy” na urządzenie (pusta = 250, jak poprzednio). Urządzenie z cichym mikrofonem, na przykład telefon z aplikacją satelitarną, zareagowało na słowo „budzenie”, ale porzuciło polecenie jako ciszę, chyba że ktoś mówił głośno tuż obok niego. Kiedy wypowiedź zostaje upuszczona, chociaż zbliżyła się do progu, dziennik mówi teraz tak i sugeruje wartość\nGłos: limit długości odpowiedzi mówionych jest teraz ustawieniem („Najdłuższa odpowiedź mówiona”, karta Głos, domyślnie 400 znaków ≈ 25—30 sekund, 0 = brak limitu). Dłuższe odpowiedzi zatrzymały się po około pół minuty bez powiadomienia; ostrzeżenie dziennika nazywa teraz ustawienie. W przypadku żądania mówionego model AI (cloud LLM i pi agent) jest informowany o limitu i proszony jest o nie odczytywanie identyfikatorów stanu lub długich liczb, więc odpowiedź pasuje zamiast być cięta\nSatelity ESPhome: mikrofon zamyka się ponownie, gdy nikt nie zacznie mówić w ciągu 5 s od słowa „budzenia” (8 s po dalszym pytaniu). Fałszywe budzenie utrzymywało go otwarte przez 12,6 s wcześniej\nSatelity ESPhome: nowa opcja „Zachowaj upuszczone nagrania do diagnozy”. Nagrania usunięte jako cisza lub zwrócone puste przez rozpoznawanie mowy są przechowywane jako WAV plus JSON z poziomami detektora w sekcji Pliki → Asystent.n/Captures (najnowsze 50), aby dowiedzieć się, co wyłączyło satelitę. Domyślnie wyłączone: zawierają dźwięk z pokoju",
-        "uk": "Супутники ESPHome: новий стовпець «Поріг мовлення» на пристрій (порожній = 250, як і раніше). Пристрій з тихим мікрофоном, наприклад телефон із супутниковим додатком, відреагував на слово «пробудження», але відкинув команду як тишу, якщо хтось голосно не говорив прямо біля неї. Коли висловлювання скидається, хоча воно наблизилося до порогу, журнал тепер говорить про це і пропонує значення\nГолос: ліміт довжини для розмовних відповідей тепер є параметром («Найдовша розмовна відповідь», вкладка Голос, за замовчуванням 400 символів ≈ 25—30 секунд, 0 = без обмеження). Довші відповіді припиняються приблизно через півхвилини без попередження; попередження журналу тепер називає налаштування. Для розмовного запиту моделі AI (хмарний LLM та pi-агент) повідомляють обмеження та просять не читати ідентифікатори стану або довгі числа, тому відповідь підходить, а не скорочується\nСупутники ESPHome: мікрофон знову закривається, коли ніхто не починає говорити протягом 5 с після слова пробудження (8 с після наступного запитання). До цього помилковий будильник тримав його відкритим протягом 12,6 с\nСупутники ESPHome: нова опція «Зберігати скинуті записи для діагностики». Записи, скинуті як тиша або повернуті порожніми за допомогою розпізнавання мовлення, зберігаються як WAV плюс JSON з рівнями детектора в розділі Файли → Асистент.n/Captures (найновіші 50), щоб дізнатися, що вимкнуло супутник. Вимкнено за замовчуванням: вони містять аудіо з кімнати",
-        "zh-cn": "ESPhome 卫星：每台设备的新列 “语音阈值”（空值 = 250，和以前一样）。带有静音麦克风的设备，例如运行卫星应用程序的手机，会对唤醒词做出反应，但除非有人在旁边大声说话，否则会将该命令视为静音。当一个话语虽然已接近阈值但仍被删除时，日志现在会这样说并建议一个值\n语音：口头答案的长度限制现在是一项设置（“最长口语答案”，“语音” 选项卡，默认 400 个字符 ≥ 25—30 秒，0 = 无限制）。较长的答案在大约半分钟后停止，恕不另行通知；日志警告现在为设置命名。对于口头请求，AI 模型（cloud LLM 和 pi-agent）会被告知极限，并要求他们不要读出州 ID 或长数字，因此答案是合适的，而不是被剪掉的\nespHome 卫星：当在唤醒词发出后 5 秒（后续提问后 8 秒）内没有人开始说话时，麦克风会再次关闭。之前的虚假唤醒使它保持打开状态 12.6 秒\nESPhome卫星：新选项 “保留丢失的记录以供诊断”。语音识别以静音状态丢失或返回空白的录音以 WAV 和 JSON 的形式存储，探测器级别位于 “文件” → Assistant.n/Captures（最新的 50 个）下，以找出导致卫星失效的原因。默认情况下处于关闭状态：它们包含来自房间的音频"
       }
     },
     "titleLang": {
@@ -248,6 +248,7 @@
     "sttFallback": "",
     "ttsFallback": "",
     "ttsMaxChars": 400,
+    "ffmpegPath": "",
     "azureSpeechKey": "",
     "azureSpeechRegion": "",
     "azureVoice": "",

package/package.json

@@ -1,6 +1,6 @@
 {
   "name": "iobroker.assistant",
-  "version": "1.4.6",
+  "version": "1.4.7",
   "description": "LLM assistant for ioBroker — ask about and control any state via an LLM with tool-calling",
   "author": "ioBroker",
   "license": "MIT",