Компанията Canonical представи система за разпознаване на реч Myna

Жан-Батист Лалман (Jean Baptiste Lallement), директор по инженеринг в компания Canonical, представи проекта Myna, който развива приложение за разпознаване на реч, предназначено за организиране на гласов вход и разпознаване на команди на естествен език в Ubuntu Desktop. Проектът се разпространява под лиценз GPLv3, но в хранилището в момента има само чернови с описание на модулната архитектура на проекта и неговата интеграция с Ubuntu.

За изданието на Ubuntu 26.10 приложението се планира да бъде доведено до пригодност за гласов вход на текст. Сесията на работа с приложението се състои в активиране чрез комбинация от клавиатурни клавиши, диктовка на глас и вмъкване на разпознатия текст в текущото приложение чрез симулация на клавиатурен вход по време на произнасянето му. По време на включването на микрофона в панела ще се показва специален индикатор.
Като основна тестова среда е посочен GNOME на базата на Wayland, но приложението е проектирано с възможност за адаптация към различни среди на работния плот.

За разпознаването в Myna ще бъде използвана AI-модел, изпълняван локално. Сред изискванията към приложението: възможност за работа без интернет; активиране на микрофона само след явна активация на режима на диктовка с горещ клавиш; обработка на звука в памет, която се освобождава след всяка употреба; забрана за предаване на звукозаписи към външни услуги.

Компонентите за разпознаване на реч, взаимодействие с потребителя, управление на диктовката и вмъкване на текст се развиват под формата на модули.
Средата за изпълнение на AI-моделите ще бъде оформена като snap-пакет. Като възможни модели за разпознаване се споменават Whisper, Parakeet, NemoTron и Qwen3-ASR.
Услугата за управление на диктовката следи натискането на горещия клавиш, активира микрофона, отправя се към AI-модела в snap-пакета чрез API, пренасочва звуковия поток от звуковата услуга и координира потоковете от данни.

Звуковата услуга се свързва със звуковото устройство, както директно, така и чрез звукови сървъри PulseAudio или PipeWire потискат шума и регулират силата на звука. Генерираният от модела текст се предава на модула за последваща обработка за почистване, нормализация, форматиране и поставяне на препинателни знаци. Финалният текст се вмъква в приложението чрез подмяна на входа, например, чрез протокола Wayland за входни методи или IBus.

След стабилизирането на началната функционалност не се изключва реализирането на такива възможности, като работа в ролята на гласов асистент, изпълнение на гласови команди, гласово управление на работния плот и превод на диктуван текст с автоматично разпознаване на езика.

Източник: opennet.ru