pygpt-net 2.6.30__py3-none-any.whl → 2.6.32__py3-none-any.whl

pygpt_net/data/locale/locale.pl.ini

@@ -1,4 +1,7 @@
 [LOCALE]
+
+
+
 about.btn.github = GitHub
 about.btn.support = Wsparcie
 about.btn.website = WWW
@@ -191,6 +194,7 @@ attachments_uploaded.tab = Wgrane pliki
 audio.cache.clear.confirm = Czy na pewno chcesz usunąć wszystkie pliki w pamięci podręcznej audio?
 audio.cache.clear.success = OK. Wszystkie pliki pamięci podręcznej audio zostały wyczyszczone.
 audio.control.btn = Kontrola głosowa
+audio.loop = Pętla
 audio.magic_word.detected = Wykryto magiczne słowo!
 audio.magic_word.invalid = To nie magiczne słowo :(
 audio.magic_word.please = Podaj magiczne słowo...
@@ -846,7 +850,7 @@ mode.agent_openai.tooltip = Zaawansowani agenci (OpenAI)
 mode.agent.tooltip = Prości agenci (legacy)
 mode.assistant = Asystent
 mode.assistant.tooltip = Czat przy użyciu API Asystentów
-mode.audio = Czat Audio
+mode.audio = Realtime + audio
 mode.chat = Czat
 mode.chat.tooltip = Tryb czatu (domyślny)
 mode.completion = Uzupełnianie
@@ -855,7 +859,7 @@ mode.computer = Kontrola komputera
 mode.computer.tooltip = Kontrola komputera (mysz, klawiatura)
 mode.expert = Eksperci (współpraca)
 mode.expert.tooltip = Eksperci do wezwania w tle
-mode.img = Obraz
+mode.img = Obraz i wideo
 mode.img.tooltip = Generowanie obrazów przy użyciu DALL-E
 mode.langchain = Langchain
 mode.langchain.tooltip = Czat z modelami dostarczonymi przez Langchain
@@ -1128,6 +1132,8 @@ settings.audio.input.stop_interval.desc = Interwał w sekundach dla automatyczne
 settings.audio.input.timeout = Limit czasu nagrywania
 settings.audio.input.timeout.continuous = Włącz limit czasu w trybie ciągłym
 settings.audio.input.timeout.desc = Limit czasu (w sekundach) dla automatycznego zatrzymania nagrywania, 0 aby wyłączyć, domyślnie: 120
+settings.audio.input.vad.prefix = VAD prefix padding (in ms)
+settings.audio.input.vad.silence = VAD end silence (in ms)
 settings.audio.output.backend = Backend dla wyjścia audio
 settings.audio.output.backend.desc = Wybierz backend dla wyjścia audio.
 settings.audio.output.device = Urządzenie do wyjścia audio
@@ -1198,9 +1204,10 @@ settings.frequency_penalty = Frequency Penalty
 settings.func_call.native = Używaj natywnych wywołań funkcji API
 settings.func_call.native.desc = Jeśli włączone, aplikacja będzie używać natywnych wywołań funkcji API zamiast wewnętrznego formatu pygpt i poniższych promptów poleceń. Tylko tryby czatu i asystentów.
 settings.img_dialog_open = Otwórz okno dialogowe obrazu po wygenerowaniu (Tryb obrazu)
-settings.img_prompt_model = DALL-E: model do generowania promptów
-settings.img_quality = DALL-E: jakość obrazu
-settings.img_resolution = DALL-E: rozmiar obrazu
+settings.img_prompt_model = Model do generowania promptów
+settings.img_prompt_model.desc = LLM used to refine your prompt before image generation (not the image model)
+settings.img_quality = Jakość obrazu
+settings.img_resolution = Rozmiar obrazu
 settings.layout.animation.disable = Wyłącz animacje
 settings.layout.animation.disable.desc = Wyłącza animacje układu, jak animowane ładowarki, itp.
 settings.layout.density = Rozmiar layoutu
@@ -1295,8 +1302,10 @@ settings.prompt.ctx.auto_summary.user = Kontekst: auto-podsumowanie (wiadomość
 settings.prompt.ctx.auto_summary.user.desc = Placeholdery: {input}, {output}
 settings.prompt.expert = Ekspert: Główna wskazówka
 settings.prompt.expert.desc = Instrukcja (systemowa wskazówka) dla głównego eksperta, jak obsługiwać ekspertów pomocniczych. Instrukcje dla ekspertów pomocniczych są podawane z ich ustawień.
-settings.prompt.img = DALL-E: generowanie obrazu
+settings.prompt.img = Generowanie obrazu
 settings.prompt.img.desc = Prompt do generowania poleceń dla DALL-E (jeśli surowy tryb jest wyłączony). Tylko tryb obrazu.
+settings.prompt.video = Video generation
+settings.prompt.video.desc = Prompt for generating prompts for video model (if raw-mode is disabled). Image / Videos mode only.
 settings.remote_tools.code_interpreter = Interpreter kodu
 settings.remote_tools.code_interpreter.desc = Włącz narzędzie `code_interpreter` w trybie Czat / za pośrednictwem OpenAI Responses API.
 settings.remote_tools.file_search = File search
@@ -1340,7 +1349,9 @@ settings.section.ctx = Kontekst
 settings.section.debug = Debugowanie
 settings.section.files = Pliki i załączniki
 settings.section.general = Ogólne
-settings.section.images = Obrazy
+settings.section.images = Obrazy i wideo
+settings.section.images.image = Image
+settings.section.images.video = Video
 settings.section.layout = Wygląd
 settings.section.llama_index = Indeksy / LlamaIndex
 settings.section.llama-index.chat = Czat
@@ -1368,6 +1379,22 @@ settings.upload.data_dir.desc = Włącz, aby przechowywać wszystko w jednym kat
 settings.upload.store = Przechowuj załączniki w katalogu upload w katalogu roboczym
 settings.upload.store.desc = Włącz przechowywanie lokalnej kopii przesłanych załączników do przyszłego użytku
 settings.use_context = Włącz kontekst (pamięć)
+settings.video.aspect_ratio = Aspect ratio
+settings.video.aspect_ratio.desc = Frame aspect ratio (e.g., 16:9, 9:16, 1:1); availability depends on the selected model
+settings.video.duration = Video duration
+settings.video.duration.desc = Clip length in seconds; limits may vary by model
+settings.video.fps = FPS
+settings.video.fps.desc = Frames per second (e.g., 24, 25, 30); may be rounded or ignored by the model
+settings.video.generate_audio = Generate audio
+settings.video.generate_audio.desc = Include synthesized background audio if supported by the model
+settings.video.negative_prompt = Negative prompt
+settings.video.negative_prompt.desc = Words or phrases to avoid in the output (comma-separated)
+settings.video.prompt_model = Prompt enhancement model
+settings.video.prompt_model.desc = LLM used to refine your prompt before video generation (not the video model)
+settings.video.resolution = Video resolution
+settings.video.resolution.desc = Target output resolution (e.g., 720p, 1080p); availability depends on the model
+settings.video.seed = Seed
+settings.video.seed.desc = Optional random seed for reproducible results; leave empty for random
 settings.vision.capture.auto = Auto przechwyt.
 settings.vision.capture.enabled = Kamera
 settings.vision.capture.height = Kamera - obraz szerokość (px)
@@ -1527,6 +1554,10 @@ updater.check.launch = Sprawdzaj przy uruchamianiu
 update.released = wydanie
 update.snap = Pobierz ze Snap Store
 update.title = Sprawdzanie dostępności aktualizacji
+vid.status.downloading = Downloading video... please wait...
+vid.status.generating = Generating video from
+vid.status.prompt.error = Enhancement prompt error occured
+vid.status.prompt.wait = Preparing prompt... please wait...
 vision.capture.auto = Auto przechwyt.
 vision.capture.auto.click = Auto przechwyt. jest włączone!
 vision.capture.auto.label = Auto przechwytywanie wł.

pygpt_net/data/locale/locale.uk.ini

@@ -191,6 +191,7 @@ attachments_uploaded.tab = Завантажені файли
 audio.cache.clear.confirm = Ви впевнені, що хочете видалити всі кешовані аудіофайли?
 audio.cache.clear.success = OK. Усі файли аудіокешу очищено.
 audio.control.btn = Керування голосом
+audio.loop = Петля
 audio.magic_word.detected = Магічне слово виявлено!
 audio.magic_word.invalid = Не магічне слово :(
 audio.magic_word.please = Магічне слово, будь ласка...
@@ -845,7 +846,7 @@ mode.agent_openai.tooltip = Просунуті агенти (OpenAI)
 mode.agent.tooltip = Прості агенти (legacy)
 mode.assistant = Помічник
 mode.assistant.tooltip = Чат за допомогою API Асистентів
-mode.audio = Чат з аудіо
+mode.audio = Realtime + audio
 mode.chat = Чат
 mode.chat.tooltip = Режим чату (за замовчуванням)
 mode.completion = Завершення
@@ -854,7 +855,7 @@ mode.computer = Використання комп'ютера
 mode.computer.tooltip = Використання комп'ютера (миша, клавіатура, навігація)
 mode.expert = Експерти (співпраця)
 mode.expert.tooltip = Виклик експертів на задній план
-mode.img = Зображення
+mode.img = Зображення та відео
 mode.img.tooltip = Генерація зображень за допомогою DALL-E
 mode.langchain = Langchain
 mode.langchain.tooltip = Чат з моделями, наданими Langchain
@@ -1127,6 +1128,8 @@ settings.audio.input.stop_interval.desc = Інтервал у секундах
 settings.audio.input.timeout = Тайм-аут запису
 settings.audio.input.timeout.continuous = Увімкнути тайм-аут у безперервному режимі
 settings.audio.input.timeout.desc = Тайм-аут (в секундах) для автоматичної зупинки запису, 0 для відключення, за замовчуванням: 120
+settings.audio.input.vad.prefix = Заповнення префікса VAD (в мс)
+settings.audio.input.vad.silence = Кінцева тиша VAD (в мс)
 settings.audio.output.backend = Бекенд для аудіовиходу
 settings.audio.output.backend.desc = Виберіть бекенд для аудіовиходу.
 settings.audio.output.device = Пристрій для аудіовиходу
@@ -1197,9 +1200,10 @@ settings.frequency_penalty = Частотний штраф
 settings.func_call.native = Використовувати рідні виклики функцій API
 settings.func_call.native.desc = Якщо увімкнено, програма буде використовувати рідні виклики функцій API замість внутрішнього формату pygpt і нижченаведених запитів команд не використовуватимуться. Лише режими чату та асистентів.
 settings.img_dialog_open = Відкрити діалогове вікно зображення після генерації (Режим зображення)
-settings.img_prompt_model = DALL-E: модель генерації запиту
-settings.img_quality = DALL-E: якість зображення
-settings.img_resolution = DALL-E: розмір зображення
+settings.img_prompt_model = Модель Генерації Запиту
+settings.img_prompt_model.desc = LLM, що використовується для уточнення вашого запиту перед генерацією зображень (не модель зображень)
+settings.img_quality = Якість Зображення
+settings.img_resolution = Розмір Зображення
 settings.layout.animation.disable = Вимкнути анімації
 settings.layout.animation.disable.desc = Вимикає анімації макета, як анімовані завантажувачі тощо.
 settings.layout.density = Щільність компонування
@@ -1294,8 +1298,10 @@ settings.prompt.ctx.auto_summary.user = Контекст: авто-резюме
 settings.prompt.ctx.auto_summary.user.desc = Заповнювачі: {input}, {output}
 settings.prompt.expert = Експерт: Основний запит
 settings.prompt.expert.desc = Інструкція (системний запит) для ведучого експерта, як керувати підеекспертами. Інструкції для підеекспертів даються з їхніх налаштувань.
-settings.prompt.img = DALL-E: генерація зображення
+settings.prompt.img = Генерація зображення
 settings.prompt.img.desc = Підказка для генерації команддля DALL-E (якщо вимкнено сирівний режим). Тільки режим зображення.
+settings.prompt.video = Генерація відео
+settings.prompt.video.desc = Запит для генерації запитів для відеомоделі (якщо режим без обробки вимкнено). Тільки режим Зображення/Відео.
 settings.remote_tools.code_interpreter = Інтерпретатор коду
 settings.remote_tools.code_interpreter.desc = Увімкніть віддалений інструмент `code_interpreter` у режимі Чат / через Responses API OpenAI.
 settings.remote_tools.file_search = File search
@@ -1339,7 +1345,9 @@ settings.section.ctx = Контекст
 settings.section.debug = Налагодження
 settings.section.files = Файли та вкладення
 settings.section.general = Загальні
-settings.section.images = Зображення
+settings.section.images = Зображення і відео
+settings.section.images.image = Зображення
+settings.section.images.video = Відео
 settings.section.layout = Макет
 settings.section.llama_index = Індекси / LlamaIndex
 settings.section.llama-index.chat = Чат
@@ -1367,6 +1375,22 @@ settings.upload.data_dir.desc = Увімкніть, щоб зберігати в
 settings.upload.store = Зберігати вкладення у директорії завантаження робочого каталогу
 settings.upload.store.desc = Увімкнути зберігання локальної копії завантажених вкладень для майбутнього використання
 settings.use_context = Використовувати контекст (пам'ять)
+settings.video.aspect_ratio = Співвідношення сторін
+settings.video.aspect_ratio.desc = Співвідношення сторін кадру (наприклад, 16:9, 9:16, 1:1); доступність залежить від вибраної моделі
+settings.video.duration = Тривалість відео
+settings.video.duration.desc = Довжина кліпу в секундах; межі можуть відрізнятися залежно від моделі
+settings.video.fps = FPS
+settings.video.fps.desc = Кількість кадрів на секунду (наприклад, 24, 25, 30); може бути округлена або проігнорована моделлю
+settings.video.generate_audio = Генерувати аудіо
+settings.video.generate_audio.desc = Включити синтезоване фонове аудіо, якщо модель його підтримує
+settings.video.negative_prompt = Негативний запит
+settings.video.negative_prompt.desc = Слова чи фрази для уникнення в результаті (через кому)
+settings.video.prompt_model = Модель покращення запиту
+settings.video.prompt_model.desc = LLM, що використовується для уточнення вашого запиту перед генерацією відео (не відеомодель)
+settings.video.resolution = Роздільна здатність відео
+settings.video.resolution.desc = Цільова вихідна роздільна здатність (наприклад, 720p, 1080p); доступність залежить від моделі
+settings.video.seed = Seed
+settings.video.seed.desc = Опціональний випадковий seed для відтворюваних результатів; залиште порожнім для випадкового
 settings.vision.capture.auto = Автоматичне захоплення
 settings.vision.capture.enabled = Камера
 settings.vision.capture.height = Висота захоплення з камери (пікселі)
@@ -1526,6 +1550,10 @@ updater.check.launch = Перевіряти при запуску
 update.released = збірка
 update.snap = Перейти до Snap Store
 update.title = Перевірка оновлень
+vid.status.downloading = Завантаження відео... будь ласка, зачекайте...
+vid.status.generating = Генерація відео з
+vid.status.prompt.error = Виникла помилка під час покращення запиту
+vid.status.prompt.wait = Підготовка запиту... будь ласка, зачекайте...
 vision.capture.auto = Автоматичне захоплення
 vision.capture.auto.click = Увімкнуто автоматичне захоплення!
 vision.capture.auto.label = Автоматичне захоплення увімкнуто

pygpt_net/data/locale/locale.zh.ini

@@ -191,6 +191,7 @@ attachments_uploaded.tab = 已上傳的文件
 audio.cache.clear.confirm = 您确定要删除所有缓存的音频文件吗？
 audio.cache.clear.success = OK. 所有音频缓存文件已清除。
 audio.control.btn = 语音控制
+audio.loop = 循环
 audio.magic_word.detected = 檢測到魔法詞！
 audio.magic_word.invalid = 不是魔法词 :(
 audio.magic_word.please = 请说魔法词...
@@ -845,7 +846,7 @@ mode.agent_openai.tooltip = 高级代理 (OpenAI)
 mode.agent.tooltip = 简单代理（自主）
 mode.assistant = 助手
 mode.assistant.tooltip = 使用助手API進行聊天
-mode.audio = 语音聊天
+mode.audio = Realtime + audio
 mode.chat = 聊天模式
 mode.chat.tooltip = 聊天模式（預設）
 mode.completion = 完成模式
@@ -854,7 +855,7 @@ mode.computer = 使用计算机
 mode.computer.tooltip = 使用计算机（鼠标、键盘、导航）
 mode.expert = 专家 (合作)
 mode.expert.tooltip = 背景中呼叫专家
-mode.img = 圖像
+mode.img = 图像和视频
 mode.img.tooltip = 使用DALL-E生成圖像
 mode.langchain = Langchain模式
 mode.langchain.tooltip = 使用Langchain提供的模型進行聊天
@@ -1127,6 +1128,8 @@ settings.audio.input.stop_interval.desc = 自动转录音频片段的间隔（
 settings.audio.input.timeout = 录音超时
 settings.audio.input.timeout.continuous = 在连续模式下启用超时
 settings.audio.input.timeout.desc = 自动停止录音的超时时间（秒），0为禁用，默认：120
+settings.audio.input.vad.prefix = VAD 前缀填充（以毫秒为单位）
+settings.audio.input.vad.silence = VAD 结束静音（以毫秒为单位）
 settings.audio.output.backend = 音频输出的后端
 settings.audio.output.backend.desc = 选择音频输出的后端。
 settings.audio.output.device = 音频输出的设备
@@ -1198,6 +1201,7 @@ settings.func_call.native = 使用本机 API 函数调用
 settings.func_call.native.desc = 如果启用，应用程序将使用本机 API 函数调用，而不是内部 pygpt 格式，并且下面的命令提示将不被使用。仅聊天和助手模式。
 settings.img_dialog_open = 生成后打开图像对话框（图像模式）
 settings.img_prompt_model = DALL-E：提示生成模型
+settings.img_prompt_model.desc = 用于在图像生成前优化您的提示的LLM（不是图像模型）
 settings.img_quality = DALL-E：图像质量
 settings.img_resolution = DALL-E：图像尺寸
 settings.layout.animation.disable = 禁用动画
@@ -1296,6 +1300,8 @@ settings.prompt.expert = 专家：主提示
 settings.prompt.expert.desc = 对主专家如何处理奴隶专家的指令（系统提示）。奴隶专家的指令根据他们的预设给出。
 settings.prompt.img = DALL-E：生成图像
 settings.prompt.img.desc = 提示用于生成DALL-E的命令（如果原始模式被禁用）。仅图像模式。
+settings.prompt.video = 视频生成
+settings.prompt.video.desc = 为视频模型生成提示（如果未禁用原始模式）。仅限图像/视频模式。
 settings.remote_tools.code_interpreter = 代码解释器
 settings.remote_tools.code_interpreter.desc = 在聊天模式/通过 OpenAI Responses API 启用“code_interpreter”远程工具。
 settings.remote_tools.file_search = File search
@@ -1339,7 +1345,9 @@ settings.section.ctx = 上下文
 settings.section.debug = 调试
 settings.section.files = 文件和附件
 settings.section.general = 一般
-settings.section.images = 圖像
+settings.section.images = 图像和视频
+settings.section.images.image = 图像
+settings.section.images.video = 视频
 settings.section.layout = 布局
 settings.section.llama_index = 索引 / LlamaIndex
 settings.section.llama-index.chat = 聊天
@@ -1367,6 +1375,22 @@ settings.upload.data_dir.desc = 启用以将所有内容存储在一个数据目
 settings.upload.store = 在工作目录上传目录中存储附件
 settings.upload.store.desc = 启用以存储上传附件的本地副本以供将来使用
 settings.use_context = 使用上下文（记忆）
+settings.video.aspect_ratio = 纵横比
+settings.video.aspect_ratio.desc = 帧的纵横比（例如，16:9、9:16、1:1）；可用性取决于所选模型
+settings.video.duration = 视频时长
+settings.video.duration.desc = 剪辑长度（以秒为单位）；限制可能因模型而异
+settings.video.fps = FPS
+settings.video.fps.desc = 每秒帧数（例如，24、25、30）；可能会被模型四舍五入或忽略
+settings.video.generate_audio = 生成音频
+settings.video.generate_audio.desc = 如果模型支持，包含合成背景音频
+settings.video.negative_prompt = 负面提示
+settings.video.negative_prompt.desc = 在输出中要避免的词语或短语（用逗号分隔）
+settings.video.prompt_model = 提示增强模型
+settings.video.prompt_model.desc = 用于在视频生成前优化您的提示的LLM（不是视频模型）
+settings.video.resolution = 视频分辨率
+settings.video.resolution.desc = 目标输出分辨率（例如，720p，1080p）；可用性取决于模型
+settings.video.seed = 随机种子
+settings.video.seed.desc = 可选的随机种子以获得可重复的结果；留空为随机
 settings.vision.capture.auto = 自动捕获
 settings.vision.capture.enabled = 相机
 settings.vision.capture.height = 相机高度（px）
@@ -1526,6 +1550,10 @@ updater.check.launch = 啟動時檢查
 update.released = 發布時間
 update.snap = 前往Snap商店
 update.title = 檢查更新中
+vid.status.downloading = 正在下载视频...请稍候...
+vid.status.generating = 正在从中生成视频
+vid.status.prompt.error = 提示增强出错
+vid.status.prompt.wait = 正在准备提示...请稍候...
 vision.capture.auto = 自動捕獲
 vision.capture.auto.click = 已啟用自動捕獲！
 vision.capture.auto.label = 啟用自動捕獲

pygpt_net/data/locale/plugin.audio_input.en.ini

@@ -17,6 +17,10 @@ google_args.tooltip = Provide additional keyword arguments for recognize_google(
 google_cloud_args.description = Additional keyword arguments for r.recognize_google_cloud(audio, **kwargs).
 google_cloud_args.label = Additional keyword arguments
 google_cloud_args.tooltip = Provide additional keyword arguments for recognize_google_cloud()
+google_genai_audio_model.description = Specify Gemini model supporting audio, e.g., gemini-2.5-flash
+google_genai_audio_model.label = Model
+google_genai_audio_prompt.description = System prompt for transcription
+google_genai_audio_prompt.label = System Prompt
 magic_word.description = Activate listening only after the magic word is provided, like 'Hey GPT' or 'OK GPT'. Default: False.
 magic_word.label = Magic word
 magic_word_phrase_length.description = Magic word phrase length. Default: 2.

pygpt_net/data/locale/plugin.audio_output.en.ini

@@ -15,6 +15,10 @@ eleven_labs_voice.description = Specify the Voice ID.
 eleven_labs_voice.label = Voice ID
 google_api_key.description = You can obtain your own API key here: https://console.cloud.google.com/apis/library/texttospeech.googleapis.com
 google_api_key.label = Google Cloud Text-to-speech API Key
+google_genai_tts_model.description = Specify Gemini TTS model, e.g.: gemini-2.5-flash-preview-tts or gemini-2.5-pro-preview-tts
+google_genai_tts_model.label = Model
+google_genai_tts_voice.description = Specify voice, e.g.: Puck, Kore, Charon, Leda, Zephyr... (case-sensitive)
+google_genai_tts_voice.label = Voice
 google_lang.description = Specify the language code.
 google_lang.label = Language code
 google_voice.description = Specify the voice.

pygpt_net/data/locale/plugin.cmd_web.en.ini

@@ -31,6 +31,14 @@ cmd.web_url_raw.tooltip = Example prompt: Give me the raw content of http://exam
 cmd.web_urls.description = Enable `web_urls` command execution.\nIf enabled, the model will be able to search the Web and get a list of found URLs.
 cmd.web_urls.label = Enable: getting a list of URLs from search results
 cmd.web_urls.tooltip = Example prompt: Give me the list of URLs for query (question).
+ddg_backend.description = Engine backend: auto, html, lite.
+ddg_backend.label = Backend
+ddg_region.description = DuckDuckGo region, e.g. us-en, pl-pl, wt-wt
+ddg_region.label = Region (kl)
+ddg_safesearch.description = Allowed values: on, moderate, off
+ddg_safesearch.label = SafeSearch
+ddg_timelimit.description = Use: d, w, m, y or leave empty for any time.
+ddg_timelimit.label = Time limit (df)
 disable_ssl.description = Disables SSL verification when crawling web pages.
 disable_ssl.label = Disable SSL verification
 google_api_cx.description = You can find your CX ID at https://programmablesearchengine.google.com/controlpanel/all\nRemember to enable the "Search on ALL internet pages" option in project settings.

pygpt_net/item/model.py

@@ -6,7 +6,7 @@
 # GitHub:  https://github.com/szczyglis-dev/py-gpt   #
 # MIT License                                        #
 # Created By  : Marcin Szczygliński                  #
-# Updated Date: 2025.08.28 09:00:00                  #
+# Updated Date: 2025.09.01 23:00:00                  #
 # ================================================== #
 
 import json
@@ -19,6 +19,7 @@ from pygpt_net.core.types import (
     MODE_AUDIO,
     MULTIMODAL_AUDIO,
     OPENAI_COMPATIBLE_PROVIDERS,
+    MULTIMODAL_VIDEO,
 )
 
 class ModelItem:
@@ -287,6 +288,26 @@ class ModelItem:
             return True
         return False
 
+    def is_video_input(self) -> bool:
+        """
+        Check if model supports video input
+
+        :return: True if supports video input
+        """
+        if MULTIMODAL_VIDEO in self.input:
+            return True
+        return False
+
+    def is_video_output(self) -> bool:
+        """
+        Check if model supports video output
+
+        :return: True if supports video output
+        """
+        if MULTIMODAL_VIDEO in self.output:
+            return True
+        return False
+
     def dump(self) -> str:
         """
         Dump event to json string

pygpt_net/plugin/audio_input/plugin.py

@@ -6,7 +6,7 @@
 # GitHub:  https://github.com/szczyglis-dev/py-gpt   #
 # MIT License                                        #
 # Created By  : Marcin Szczygliński                  #
-# Updated Date: 2024.11.26 19:00:00                  #
+# Updated Date: 2025.08.31 23:00:00                  #
 # ================================================== #
 
 import os
@@ -23,6 +23,7 @@ from pygpt_net.utils import trans
 from .config import Config
 from .worker import Worker
 from .simple import Simple
+from ...core.types import MODE_AUDIO
 
 
 class Plugin(BasePlugin):
@@ -124,13 +125,31 @@ class Plugin(BasePlugin):
             words = [x.strip() for x in words]  # remove white-spaces
         return words
 
-    def toggle_recording_simple(self):
+    def toggle_recording_simple(
+            self,
+            state: bool = None,
+            auto: bool = False
+    ):
         """
         Event: AUDIO_INPUT_RECORD_TOGGLE
 
         Toggle recording
+
+        :param state: state to set
+        :param auto: True if called automatically (not by user)
+        """
+        if self.window.controller.realtime.is_enabled():
+            self.handler_simple.toggle_realtime(state=state, auto=auto)
+            return
+        self.handler_simple.toggle_recording(state=state)
+
+    def is_recording(self) -> bool:
         """
-        self.handler_simple.toggle_recording()
+        Check if is recording (simple mode)
+
+        :return: True if is recording
+        """
+        return self.handler_simple.is_recording
 
     def toggle_speech(self, state: bool):
         """
@@ -214,7 +233,9 @@ class Plugin(BasePlugin):
             self.toggle_speech(data['value'])
 
         elif name == Event.AUDIO_INPUT_RECORD_TOGGLE:
-            self.toggle_recording_simple()
+            state = data['state'] if 'value' in data else None
+            auto = data['auto'] if 'auto' in data else False
+            self.toggle_recording_simple(state=state, auto=auto)
 
         elif name == Event.AUDIO_INPUT_STOP:
             self.on_stop()
@@ -492,6 +513,18 @@ class Plugin(BasePlugin):
                 self.window.dispatch(event)  # send text, input clear in send method
                 self.set_status('')
 
+    def handle_realtime_stopped(self):
+        """Handle realtime stopped"""
+        context = BridgeContext()
+        context.prompt = "..."
+        extra = {}
+        event = KernelEvent(KernelEvent.INPUT_SYSTEM, {
+            'context': context,
+            'extra': extra,
+        })
+        self.window.dispatch(event)  # send text, input clear in send method
+        self.set_status('')
+
     @Slot(object)
     def handle_status(self, data: str):
         """

pygpt_net/plugin/audio_input/simple.py

@@ -6,14 +6,14 @@
 # GitHub:  https://github.com/szczyglis-dev/py-gpt   #
 # MIT License                                        #
 # Created By  : Marcin Szczygliński                  #
-# Updated Date: 2025.08.27 07:00:00                  #
+# Updated Date: 2025.08.31 23:00:00                  #
 # ================================================== #
 
 import os
 
 from PySide6.QtCore import QTimer
 
-from pygpt_net.core.events import AppEvent
+from pygpt_net.core.events import AppEvent, RealtimeEvent
 from pygpt_net.core.tabs.tab import Tab
 from pygpt_net.utils import trans
 
@@ -32,8 +32,46 @@ class Simple:
         self.is_recording = False
         self.timer = None
 
-    def toggle_recording(self):
-        """Toggle recording"""
+    def toggle_realtime(
+            self,
+            state: bool = None,
+            auto: bool = False
+    ):
+        """
+        Toggle recording
+
+        :param state: True to start recording, False to stop recording, None to toggle
+        :param auto: True if called automatically (not by user)
+        """
+        if state is not None:
+            if state and not self.is_recording:
+                self.start_recording(realtime=True)
+            elif not state:
+                self.force_stop()
+            else:
+                self.force_stop()
+            return
+        if self.is_recording:
+            self.stop_recording(realtime=True)
+            if not auto:
+                self.plugin.window.dispatch(RealtimeEvent(RealtimeEvent.RT_INPUT_AUDIO_MANUAL_STOP))
+        else:
+            self.start_recording(realtime=True)
+            if not auto:
+                self.plugin.window.dispatch(RealtimeEvent(RealtimeEvent.RT_INPUT_AUDIO_MANUAL_START))
+
+    def toggle_recording(self, state: bool = None):
+        """
+        Toggle recording
+
+        :param state: True to start recording, False to stop recording, None to toggle
+        """
+        if state is not None:
+            if state and not self.is_recording:
+                self.start_recording()
+            elif not state:
+                self.force_stop()
+            return
         if self.is_recording:
             self.stop_recording()
         else:
@@ -51,11 +89,12 @@ class Simple:
         """Stop timeout"""
         self.stop_recording(timeout=True)
 
-    def start_recording(self, force: bool = False):
+    def start_recording(self, force: bool = False, realtime: bool = False):
         """
         Start recording
 
         :param force: True to force recording
+        :param realtime: True if called from realtime callback
         """
         # display snap warning if not displayed yet
         if (not self.plugin.window.core.config.get("audio.input.snap", False)
@@ -89,7 +128,7 @@ class Simple:
             # disable in continuous mode
             timeout = int(self.plugin.window.core.config.get('audio.input.timeout', 120) or 0) # get timeout
             timeout_continuous = self.plugin.window.core.config.get('audio.input.timeout.continuous', False) # enable continuous timeout
-            if timeout > 0:
+            if timeout > 0 and not realtime:
                 if self.timer is None and (not continuous_enabled or timeout_continuous):
                     self.timer = QTimer()
                     self.timer.timeout.connect(self.stop_timeout)
@@ -119,11 +158,12 @@ class Simple:
                 )
             self.switch_btn_start()  # switch button to start
 
-    def stop_recording(self, timeout: bool = False):
+    def stop_recording(self, timeout: bool = False, realtime: bool = False):
         """
         Stop recording
 
         :param timeout: True if stopped due to timeout
+        :param realtime: True if called from realtime callback
         """
         self.plugin.window.core.audio.capture.reset_audio_level()
         self.is_recording = False
@@ -143,7 +183,7 @@ class Simple:
                 return
 
             if self.plugin.window.core.audio.capture.has_frames():
-                if not self.plugin.window.core.audio.capture.has_min_frames():
+                if not self.plugin.window.core.audio.capture.has_min_frames() and not realtime:
                     self.plugin.window.update_status(trans("status.audio.too_short"))
                     self.plugin.window.dispatch(AppEvent(AppEvent.VOICE_CONTROL_STOPPED))  # app event
                     return
@@ -152,6 +192,15 @@ class Simple:
         else:
             self.plugin.window.update_status("")
 
+    def force_stop(self):
+        """Stop recording"""
+        self.is_recording = False
+        self.plugin.window.dispatch(AppEvent(AppEvent.INPUT_VOICE_LISTEN_STOPPED))  # app event
+        self.switch_btn_start()  # switch button to start
+        if self.plugin.window.core.audio.capture.has_source():
+            self.plugin.window.core.audio.capture.stop()  # stop recording
+            return
+
     def on_stop(self):
         """Handle auto-transcribe"""
         path = os.path.join(self.plugin.window.core.config.path, self.plugin.input_file)

pygpt_net/plugin/cmd_files/worker.py

@@ -920,6 +920,9 @@ class Worker(BaseWorker):
         :param context: context data
         :return: extra data
         """
+        # disabled in v2.6.31
+        # reason: do not duplicate context in chat
+        return {}
         cmd = item["cmd"]
         extra = {
             'plugin': "cmd_files",