Images, vidéos et voix

Au-delà du texte, WivenLLM sait produire des images et de courtes vidéos, lire les réponses à voix haute et transcrire la parole. La génération d'images et de vidéos n'existe que si un administrateur l'a configurée ; la lecture à voix haute et la dictée fonctionnent sans configuration.


Génération d'images

Utilisation

Dans une conversation :

/img un plan de coupe schématique d'une pompe à chaleur, style technique

(/image fonctionne aussi.) L'image apparaît dans la conversation et peut être téléchargée. Avec une image jointe au message, la commande demande une modification de cette image. Un agent peut également générer une image dans le cours d'une tâche, si la compétence correspondante est activée.

Configuration — administrateur

Réglages → Génération d'images. Deux familles de fournisseurs :

Locaux — les modèles s'exécutent sur votre machine, aucune donnée ne sort. Cela suppose du matériel adapté, en pratique une carte graphique. Les installations locales prises en charge couvrent aussi bien un moteur intégré géré par WivenLLM que des serveurs de génération d'images que vous exploitez déjà.

Externes — les principaux services de génération d'images commerciaux sont pris en charge. Vos descriptions sont alors transmises au fournisseur choisi.

Bon à savoir

  • Les images générées sont attachées à la conversation.
  • Décrivez le style autant que le sujet : « schéma technique en noir et blanc, fond blanc » donne un résultat très différent de « illustration ».
  • Un modèle de génération d'images ne sait pas écrire du texte lisible de manière fiable ; n'en attendez pas des visuels comportant des libellés exacts.

Génération de vidéos

Même principe, avec la commande /video.

/video une vue aérienne lente d'un chantier de construction

Attentes réalistes : la commande produit une séquence de 5 secondes au format 16:9. La génération est longue — de plusieurs minutes à beaucoup plus selon le matériel — et bien plus exigeante que l'image.

La configuration se fait dans Réglages → Génération de vidéos. Il n'y a que des moteurs à exécution locale : le moteur intégré, ou votre propre installation ComfyUI. Aucun service externe de génération vidéo n'est proposé.


Écouter les réponses (synthèse vocale)

Un bouton de lecture apparaît sous chaque réponse.

Options disponibles :

  • Voix du système (par défaut) — utilise la synthèse vocale intégrée au navigateur. Aucune configuration, aucune donnée envoyée nulle part, qualité variable selon le système d'exploitation.
  • Voix locale de haute qualité — un moteur téléchargé qui s'exécute dans le navigateur, plus naturel que la voix système, sans transmettre de texte ; ou un moteur de synthèse que vous hébergez.
  • Services externes — OpenAI, ElevenLabs ou tout service compatible OpenAI, pour une qualité supérieure ; le texte des réponses est alors transmis au fournisseur.

Configuration dans Réglages → Voix et parole.


Dicter ses messages (reconnaissance vocale)

Un bouton de microphone dans la zone de saisie transcrit votre parole en texte. Par défaut, la transcription se fait sur le serveur avec un modèle Whisper local, sans clé d'API et sans que l'audio quitte le serveur. Le modèle est téléchargé une fois, à la première utilisation.

Dans Réglages → Voix et parole, un administrateur peut choisir un autre moteur : un service hébergé (OpenAI, Deepgram, Groq, tout service compatible OpenAI), un serveur de reconnaissance local, ou la voix du système.

Point de confidentialité à connaître : la reconnaissance vocale intégrée aux navigateurs transmet généralement l'audio aux serveurs de l'éditeur du navigateur. Sur une installation dont l'exigence est le tout-local, ne choisissez pas la voix du système.

Hors de l'application de bureau, le navigateur n'autorise le microphone qu'en HTTPS ou sur localhost.


Conversation vocale

Le bouton Démarrer la conversation vocale, à côté du microphone, ouvre un mode mains libres : vous parlez, l'assistant répond à voix haute, et l'écoute reprend. Il utilise les moteurs configurés pour la dictée et la synthèse vocale, et les mêmes règles de confidentialité s'appliquent.


Transcription des fichiers audio et vidéo

Distincte de la dictée : lorsqu'un fichier audio ou vidéo est importé comme document, il est transcrit puis indexé comme n'importe quel texte. La durée est limitée à 4 heures.

Le moteur de transcription intégré fonctionne localement, sans clé. Son modèle (environ 670 Mo) est téléchargé une fois, à la première utilisation ; ensuite, rien ne sort. Un service externe peut lui être substitué dans Réglages → Modèle de transcription.

Usages courants : enregistrements de réunions, entretiens, formations, messages vocaux. La transcription devient interrogeable comme un document ordinaire — « qu'avait-on décidé au sujet du budget lors de la réunion du 12 ? ».

Pour enregistrer une réunion directement depuis l'application et en obtenir un résumé structuré, voir Réunions.

Qualité : dépend de la netteté de l'enregistrement, du nombre de locuteurs et des chevauchements de parole. Un enregistrement de réunion capté par un micro d'ordinateur portable donne un résultat inégal.


Ce qui sort du réseau

Fonction En configuration locale En configuration externe
Génération d'images Rien La description part chez le fournisseur
Génération de vidéos Rien Sans objet : pas de service externe
Synthèse vocale Rien (voix du système : dépend du navigateur) Le texte de la réponse part chez le fournisseur
Reconnaissance vocale Rien avec Whisper local, le réglage par défaut (voix du système : dépend du navigateur, à vérifier) L'audio part chez le fournisseur
Transcription de fichiers Rien Le fichier part chez le fournisseur