• Исправлены сбои установки зависимостей на некоторых системах Windows путём обновления отсутствующих цепочек сертификатов через Windows CryptoAPI и выполнения повторной попытки проверенного HTTPS-запроса.


• Сохранены проверка TLS-сертификатов и верификация фиксированной SHA-256 PyAudio; для загружаемого пакета не используются непроверенные соединения.


• Полные сведения см. в файле changelog.md.

NativeSpeechGeneration (Нативная генерация речи)

Автор: Muhammad Gagah muha.aku@gmail.com

Native Speech Generation — это дополнение для NVDA, которое интегрирует Google Gemini AI для генерации высококачественной естественной речи непосредственно в NVDA. Оно предоставляет чистый, полностью доступный интерфейс для преобразования текста в аудио, поддерживая как озвучивание одним диктором , так и динамические диалоги с несколькими дикторами.

Это дополнение разработано для удобных рабочих процессов, ориентированных на доступность, и гибкого управления голосом, подходящего для озвучивания, диалогов и создания аудиоконтента.

Возможности

Высококачественная генерация речи

• Выбор между:

• Gemini Flash 3.1 Preview — мощная, малозадерживающая генерация речи, очень хороша для коротких аудио.

• Gemini Flash 2.5 — стандартное качество, быстрая генерация, низкая задержка.

• Gemini Pro 2.5 — премиум-качество, более реалистичные голоса (платная модель).

Режимы с одним и несколькими дикторами

• Озвучивание одним диктором для стандартного синтеза речи.
• Режим с несколькими дикторами (2 диктора) для диалогов с различными голосами.

Расширенное управление голосом

• Именование дикторов Назначайте пользовательские имена (например, Джон , Мэри) в режиме нескольких дикторов. ИИ автоматически назначает голоса на основе имён дикторов в сценарии.

• Инструкции по стилю Указывайте подсказки, такие как «Говори бодрым тоном» или «Озвучивай спокойно» , чтобы направлять произнесение.

• Управление температурой (Temperature) Регулируйте вариативность и креативность вывода:

• Низкие значения → более стабильная и предсказуемая речь.

• Высокие значения → более выразительная и разнообразная речь.

Доступный и чистый интерфейс

• Полностью доступен для экранных дикторов.
• Расширенные опции размещены в сворачиваемой панели, чтобы основной диалог оставался простым и сфокусированным.

Беспроблемный рабочий процесс

• Аудио автоматически воспроизводится после генерации.
• Сгенерированное аудио можно воспроизвести заново или сохранить как высококачественный файл .wav.
• Разработано для минимального трения при повторной генерации и воспроизведении.

Умная загрузка и кеширование голосов

• Список поддерживаемых голосов Gemini встроен в дополнение, поэтому открытие диалога не требует отдельного запроса списка голосов.

Быстрое озвучивание (Quick Speak)

• Немедленно озвучивайте выделенный текст с помощью NVDA+Alt+E.
• Озвучивайте обычный текст из буфера обмена с помощью NVDA+Alt+Shift+E.
• Аудио воспроизводится через настроенное устройство вывода NVDA, поэтому фокус остаётся в Word, Chrome или текущем приложении.
• Быстрое озвучивание имеет отдельные настройки модели, голоса, громкости и стиля произнесения в настройках NVDA.
• Громкость быстрого озвучивания варьируется от 0 (без звука) до 100 (полная громкость) и сохраняется между перезапусками NVDA.
• Выделенный или скопированный в буфер обмена текст отправляется в Google Gemini для генерации запрошенного аудио.
• Gemini 3.1 Flash Live Preview рекомендуется как модель по умолчанию для низкой задержки. Квоты Gemini API и ограничения Live-сессий по-прежнему действуют. Это не безлимитный сервис.
• Доступные модели для быстрого озвучивания: Gemini 3.1 Flash Live Preview, Gemini 2.5 Flash Native Audio, Gemini 3.1 Flash TTS Preview, Gemini 2.5 Flash TTS Preview и Gemini 2.5 Pro TTS Preview. Модель Pro требует платного тарифного плана API.
• Нажмите любую из команд быстрого озвучивания снова, чтобы остановить текущий запрос или воспроизведение.

Разговор с ИИ (Живой разговор)

• Голосовой чат в реальном времени : Ведите естественный разговор с Gemini с низкой задержкой.

• Привязка к поиску Google : Включите возможность ИИ получать актуальную информацию из интернета во время чата.

• Прерываемость : Вы можете прервать ИИ в любой момент, говоря или нажав «Остановить разговор».

• Настраиваемость : Использует выбранный вами голос и инструкции по стилю.

• Уровень мышления : Выберите Без мышления, Низкий, Средний или Высокий в зависимости от желаемой глубины рассуждений.

• Непрерывность после переподключения : Контекст недавнего разговора автоматически восстанавливается после переподключения, без отдельного переключателя памяти.

• Более стабильная потоковая передача : Улучшенное поведение при переподключении (экспоненциальная задержка + повторные попытки) и адаптивная буферизация аудио для лучшей устойчивости в нестабильных сетях.

• Опциональная демонстрация экрана : Включите Делиться экраном с ИИ , чтобы периодически отправлять изображение основного дисплея. По умолчанию отключено и останавливается сразу с завершением разговора или закрытием диалога.

Требования

• NVDA 2024.1 или новее, протестировано до NVDA 2026.2.

• Активное интернет-соединение.

• Действительный ключ API Google Gemini.

Установка

1. Загрузите последнюю версию пакета дополнения со страницы релизов: https://github.com/MuhammadGagah/native-speech-generation/releases
2. Установите его как любое стандартное дополнение NVDA.
3. Перезапустите NVDA при появлении запроса.

Настройка ключа API (Обязательно)

1. Создайте ключ API в Google AI Studio : https://aistudio.google.com/apikey
2. Откройте NVDA и перейдите в: Меню NVDA → Сервис → Native Speech Generation
3. Нажмите «Настройки ключа API».
4. Это откроет настройки NVDA непосредственно в категории Native Speech Generation.
5. Вставьте ваш ключ Gemini API в поле Ключ GEMINI API.
6. Нажмите OK для сохранения.

Сохранённые ключи хранятся с использованием Windows DPAPI , поэтому зашифрованное значение не может быть расшифровано на другом компьютере с Windows или другой учётной записи пользователя.

Для расширенного развёртывания вы также можете указать ключ через переменную окружения GEMINI_API_KEY. Дополнение будет использовать её автоматически, если сохранённый ключ недоступен.

Как использовать

Откройте диалог с помощью:

• NVDA+Control+Shift+G , или
• Меню NVDA → Сервис → Native Speech Generation

Основные элементы интерфейса

• Текст для преобразования Введите или вставьте текст, который хотите преобразовать в речь.

• Инструкции по стилю (необязательно) Укажите рекомендации по тону, эмоциям или манере произнесения.

• Выбор модели

• Flash 3.1 Preview

• Flash 2.5

• Pro 2.5 (Высокое качество, требуется платный API)

• Режим диктора

• Один диктор

• Несколько дикторов (2)

Генерация речи

Быстрое озвучивание выделенного текста или текста из буфера обмена

1. Откройте Настройки NVDA → Native Speech Generation и выберите модель быстрого озвучивания, голос, громкость и необязательные инструкции по стилю/произнесению.
2. Выделите текст в текущем приложении и нажмите NVDA+Alt+E или скопируйте текст и нажмите NVDA+Alt+Shift+E.
3. Сгенерированная речь воспроизводится без открытия диалога или изменения фокуса приложения.
4. Нажмите любую из команд быстрого озвучивания снова, чтобы остановить.

Сообщения о стандартной генерации и завершении намеренно отключены, чтобы они не конкурировали с сгенерированным произнесением. Действенные ошибки всё ещё объявляются.

Режим одного диктора

1. Выберите Один диктор.
2. Выберите голос из раскрывающегося списка Выберите голос.
3. Введите ваш текст.
4. При необходимости добавьте инструкции по стилю.
5. Нажмите Сгенерировать речь.
6. Аудио автоматически воспроизведётся после генерации.

Режим нескольких дикторов

1. Выберите Несколько дикторов (2).

2. Для каждого диктора:

3. Введите уникальное Имя диктора.

4. Выберите отдельный Голос.

5. Отформатируйте текст так, чтобы каждая строка начиналась с имени диктора, за которым следует двоеточие.

Пример:

Алиса: Привет Боб, как твои дела сегодня? Боб: У меня всё отлично, Алиса! Погода замечательная.

1. Нажмите Сгенерировать речь. Голоса будут назначены автоматически на основе имён дикторов.

Разговор с ИИ (Живой режим)

Попробуйте естественный голосовой диалог с Gemini.

1. Настройте желаемый Голос и Инструкции по стилю в основном диалоге. (Примечание: Разговор с ИИ в настоящее время поддерживает только режим одного диктора)
2. Нажмите Разговор с ИИ.
3. В новом окне:
4. Начать разговор : Начинает сессию. Говорите в микрофон.
5. Остановить разговор : Завершает сессию.
6. Привязка к поиску Google : Установите этот флажок, чтобы разрешить Gemini искать ответы в интернете (например, новости, погода).
   • Примечание: Этот флажок скрыт, пока активен разговор. Остановите разговор, чтобы изменить его.
7. Уровень мышления : Выберите Без мышления, Низкий, Средний или Высокий.
8. Делиться экраном с ИИ : Опционально, по умолчанию отключено. Включайте только когда хотите, чтобы ассистент получал периодические кадры экрана.
9. Переключение микрофона : Отключить/включить звук микрофона.
10. Громкость : Регулируйте громкость воспроизведения ИИ. Громкость и выбранные устройства ввода/вывода сохраняются при закрытии диалога.

Расширенные настройки

• Включите Расширенные настройки (Температура) , чтобы отобразить ползунок.

• Диапазон температуры :

• 0.0 → Максимально детерминированно и стабильно.

• 1.0 → Баланс по умолчанию.

• 2.0 → Максимально креативно и разнообразно.

Обзор кнопок

• Сгенерировать речь — Начать генерацию речи.

• Воспроизвести — Повторно воспроизвести последнее сгенерированное аудио.

• Разговор с ИИ — Открыть интерфейс голосового разговора в реальном времени.

• Сохранить аудио — Сохранить последнее аудио как файл .wav.

• Настройки ключа API — Открыть конфигурацию дополнения в настройках NVDA.

• Просмотреть голоса в AI Studio — Открывает Google AI Studio в браузере.

• Закрыть — Закрыть диалог (или нажмите Escape).

Жесты ввода

Настраивается через: Меню NVDA → Параметры → Жесты ввода → Native Speech Generation

Жесты по умолчанию:

• NVDA+Control+Shift+G — Открыть диалог Native Speech Generation.
• NVDA+Alt+E — Озвучить выделенный текст с помощью быстрого озвучивания или остановить быстрое озвучивание.
• NVDA+Alt+Shift+E — Озвучить текст из буфера обмена с помощью быстрого озвучивания или остановить быстрое озвучивание.

Все три команды можно изменить или удалить в диалоге жестов ввода NVDA.

Руководство по разработке и внесению вклада

Если вы хотите разрабатывать или модифицировать это дополнение, следуйте приведённым ниже шагам.

Настройка окружения

• Python, соответствующий вашей целевой среде выполнения NVDA
• Используйте Python 3.13 64-bit при тестировании или упаковке зависимостей для NVDA 2026.1 и новее.
• Используйте Python 3.11 32-bit только при упаковке зависимостей для старых поддерживаемых сборок NVDA.
• uv для зафиксированной цепочки сборки и линтинга.

uv sync uv run pre-commit run --all-files uv run scons uv run scons pot

SCons 4.10.1, Markdown 3.10, Ruff 0.14.10, Pyright 1.1.407 и другие инструменты сборки устанавливаются из uv.lock.

• GNU Gettext Tools (опционально, рекомендуется для локализации)
• Обычно предустановлен в Linux/Cygwin.
• Windows: https://gnuwin32.sourceforge.net/downlinks/gettext.php

Дополнительные зависимости

Только для локальной разработки установите зависимости только для аудио-части «Разговор с ИИ» непосредственно в путь библиотеки дополнения, используя версию Python и архитектуру, соответствующие среде выполнения NVDA, которую вы тестируете:

python.exe -m pip install pyaudio --target "D:/myAdd-on/Native-Speech- Generation/addon/globalPlugins/NativeSpeechGeneration/lib"

Измените путь в соответствии с вашей локальной директорией исходного кода дополнения.

Демонстрация экрана использует захват Windows/wx, уже доступный в NVDA, поэтому вам не нужны opencv-python, pillow или mss.

Для выпусков дополнение загружает только зафиксированное колесо PyAudio 0.2.14, соответствующее встроенной ABI Python и архитектуре NVDA (cp311 до cp313, win32 или win_amd64). SHA-256 колеса зафиксирован в дополнении, проверяется по метаданным PyPI и проверяется снова после загрузки. Ни Google GenAI SDK, ни транзитивные зависимости SDK не устанавливаются. Колесо извлекается в addon/globalPlugins/NativeSpeechGeneration/lib.

Внесение вклада

Приветствуются любые вклады, предложения и сообщения об ошибках.

• Откройте Issue для ошибок или запросов функций.
• Отправьте Pull Request для вклада в код.

Контакты

• Email: muha.aku@gmail.com
• GitHub: https://github.com/MuhammadGagah