audio-voice-converter/docs/action/002_action_planning.md

• از اسکریپت laxi هرچیزی که اضافه هست رو حذف کنیم.
  • برای لوگو یک لوگو از خودمون میذاریم.
  • مثلا لاگین یا اگر داده‌ای به جایی میفرسته نباید بفرسته اینا هم اضافی هستن
• هدف نهایی: بتونیم با استفاده از این پلاگین کپشن رو بگیریم
  • راهکارها:
    • پلاگین خودش یک mcp سرویس بده روی یک پورت

---

درباره حذف کدهای laxis: فایل‌هایی که احتمالاً باید بررسی بشن: analytics.js، login.js، runtime.js (در google-meet-transcripts-extension/) — اینا بیشترین احتمال ارتباط با سرور laxis رو دارن. config/ هم ممکنه endpoint داشته باشه. پیشنهاد: اول یه grep روی همه فایل‌ها برای laxis و api. و fetch( بزن تا دقیق بفهمیم کجاها data میفرسته.

درباره MCP روی پورت: این رویکرد خوبیه ولی یه محدودیت داره — Chrome extension نمیتونه مستقیم TCP server باز کنه. راه‌حل‌های ممکن:

1. Native Messaging: extension با یه اپ native (Python/Node) صحبت میکنه که اون اپ MCP server هست — پیچیده‌تر ولی استانداردتر
2. WebSocket از extension: extension یه WebSocket server روی localhost باز میکنه از طریق یه background service worker + chrome.sockets API — محدودیت‌های manifest v3 داره
3. Polling روی clipboard یا فایل: ساده‌ترین راه — extension هر X ثانیه caption رو در یه فایل یا clipboard میریزه، اپ دیگه‌ای میخونه

کدوم راهکار رو در نظر داری؟

---

پیاده‌سازی — معماری Bridge

راهکار انتخابی: افزونه به‌عنوان WebSocket client به یک سرور پایتونِ بیرون مرورگر وصل می‌شود. (نه راهکار ۲ که افزونه خودش server باشد — در MV3 سرویس‌ورکر نمی‌تواند پورت TCP باز کند.)

دیاگرام جریان داده

flowchart TD
    A["Google Meet<br/>caption روی صفحه"] -->|"DOM observer"| B["content script<br/>captionProcessing.js"]
    B -->|"setSpeaker()"| C["storage.js<br/>نقطه‌ی choke هر caption"]
    C -->|"chrome.runtime.sendMessage<br/>{type: TRANSCRIPT_UPDATE}"| D["service worker<br/>bridge.js"]
    D -->|"WebSocket<br/>ws://127.0.0.1:8765"| E["سرور پایتون<br/>bridge/server.py"]
    E -->|"ذخیره"| F["transcripts/&lt;sessionId&gt;.txt"]
    E -.->|"ACK / PONG"| D
    E ==>|"گام بعدی"| G["MCP Server"]
    G ==> H["Claude<br/>transcript زنده را می‌خواند"]

    style E fill:#2F5496,color:#fff
    style G fill:#888,color:#fff,stroke-dasharray: 5 5
    style H fill:#888,color:#fff,stroke-dasharray: 5 5

چرا client و نه server؟

• CSP گوگل میت: اگر WebSocket را از content script باز کنیم، connect-src صفحه بلاکش می‌کند. سرویس‌ورکر تابع CSP صفحه نیست → اتصال از آن‌جا باز می‌شود.
• MV3 لایف‌سایکل: سرویس‌ورکر بعد ~۳۰ ثانیه می‌خوابد. دو مکانیزم نگهش می‌دارد: (۱) هر پیام جدید از content script بیدارش می‌کند، (۲) heartbeat (PING) هر ۲۰ ثانیه (از Chrome 116+ پیام WebSocket زیر ۳۰ ثانیه ورکر را زنده نگه می‌دارد).

وضعیت فعلی — ✅ گام ۱ انجام شد (MVP اتصال)

قطعه	فایل	کار
سرور پایتون	bridge/server.py	WebSocket روی 127.0.0.1:8765، ذخیره در transcripts/
WS client	google-meet-transcripts-extension/bridge.js	اتصال + reconnect + heartbeat
ایمپورت در ورکر	login.js	importScripts("bridge.js")
نقطه‌ی hook	storage.js → setSpeaker	ارسال TRANSCRIPT_UPDATE
دسترسی شبکه	manifest.json	ws://127.0.0.1:8765/* در host_permissions

تست end-to-end سمت پایتون با _smoke_test.py پاس شد (PONG + ACK + ذخیره‌ی فایل).

مراحل بعدی

• پاک‌سازی کد laxis (طبق بالای همین سند): حذف لاگین، analytics، و fetch به domainUrl.
• تست میدانی با Chrome واقعی: سرور را بالا بیاور، افزونه را Reload کن، در یک Meet caption را روشن کن و خروجی را در ترمینال/فایل ببین.
• افزودن MCP server روی همین server.py (مثلاً با mcp SDK پایتون) تا Claude بتواند transcript زنده را به‌عنوان resource/tool بخواند.
• لوگوی اختصاصی جایگزین لوگوی laxis.

محیط توسعه

پایتون داخل venv اجرا می‌شود تا سیستم تمیز بماند (راهنما: bridge/README.md).