Jean-Baptiste Lallement, Ingenieur bei Canonical, stellte das Myna-Projekt vor, das eine Spracherkennungsanwendung entwickelt, die für die Sprachsteuerung und das Erkennen von Befehlen in natürlicher Sprache auf Ubuntu Desktop verwendet werden soll. Das Projekt wird unter der GPLv3-Lizenz veröffentlicht, jedoch sind im Repository vorerst nur Entwürfe mit einer Beschreibung der modularen Architektur des Projekts und dessen Integration mit Ubuntu vorhanden.
Für die Veröffentlichung von Ubuntu 26.10 planen die Entwickler, die Anwendung so weit zu optimieren, dass sie für die Texteingabe per Sprache geeignet ist. Die Nutzung der Anwendung erfolgt über eine Tastenkombination, gefolgt von der Spracherkennung und dem Einfügen des erkannten Textes in die aktuelle Anwendung durch Simulation der Tastatureingabe während des Sprechens. Ein spezieller Indikator wird im Panel angezeigt, sobald das Mikrofon aktiviert ist.
Als grundlegende Testumgebung wurde GNOME auf Basis von Wayland angegeben, jedoch wird die Anwendung von Anfang an mit der Möglichkeit der Anpassung an verschiedene Desktop-Umgebungen konzipiert.
Für die Spracherkennung in Myna wird ein lokal ausgeführtes KI-Modell eingesetzt. Zu den Anforderungen an die Anwendung gehören: die Möglichkeit, ohne Internetverbindung zu arbeiten; das Mikrofon wird nur nach ausdrücklicher Aktivierung des Diktiermodus über eine Tastenkombination eingeschaltet; die Audioverarbeitung erfolgt im Speicher, der nach jeder Nutzung gelöscht wird; die Übertragung von Audioaufzeichnungen an externe Dienste ist untersagt.
Die Komponenten für die Spracherkennung, die Benutzerinteraktion, die Diktatsteuerung und die Textersetzung werden in Form von Modulen entwickelt.
Die Umgebung zur Ausführung der KI-Modelle wird in Form eines Snap-Pakets bereitgestellt. Unter den möglichen Modellen für die Spracherkennung werden Whisper, Parakeet, NemoTron und Qwen3-ASR genannt.
Der Diktatverwaltungsdienst überwacht das Drücken der Tastenkombination, aktiviert das Mikrofon, kommuniziert über die API mit dem KI-Modell im Snap-Paket, leitet den Audiofluss aus dem Audiodienst weiter und koordiniert die Datenströme.
Der Audiodienst greift sowohl direkt als auch über Audio Server PulseAudio oder PipeWire unterdrücken Hintergrundgeräusche und gleichen die Lautstärke aus. Der von der Modellierung erzeugte Text wird in das Post-Processing-Modul übertragen, um gereinigt, normalisiert, formatiert und mit Satzzeichen versehen zu werden. Der finale Text wird über die Eingabeplatzierung in die Anwendung eingefügt, zum Beispiel über das Wayland-Protokoll input-method oder IBus.
Nach der Stabilisierung der anfänglichen Funktionalitäten sind weitere Möglichkeiten wie die Funktion als Sprachassistent, die Ausführung von Sprachbefehlen, die Sprachsteuerung des Desktops und die Übersetzung diktierten Textes mit automatischer Spracherkennung nicht ausgeschlossen.
Quelle: opennet.ru
