Canonical hat ein Projekt vorgestellt Myna — ein neues System zur Sprach-zu-Text-Umwandlung für Ubuntu Desktop. Das Projekt zielt auf integrierte Diktierfunktionen ab: Der Nutzer drückt eine Tastenkombination, spricht, und der erkannte Text erscheint in der aktiven Anwendung. In der Ankündigung wird betont, dass Myna sich wie ein natürlicher Teil des Ubuntu-Desktops anfühlen soll und gleichzeitig die Privatsphäre des Nutzers respektiert. Die Liste der unterstützten Eingabesprachen wurde zum Zeitpunkt der Veröffentlichung der Nachricht nicht bekannt gegeben.
Das erste Ziel des Projekts ist Ubuntu 26.10. In dieser Phase versucht Canonical nicht, einen vollwertigen Sprachassistenten oder ein sprachgesteuertes Desktop-System zu schaffen. Die Entwickler haben bewusst den Bereich der ersten Version auf eine grundlegende, zuverlässige Diktierfunktion beschränkt: eine Tastenkombination drücken, den Text sprechen und das Ergebnis im aktuellen Eingabefeld erhalten. Die primäre testbare Umgebung ist Ubuntu Desktop auf Wayland mit GNOME, aber die Architektur soll offen genug bleiben, um zukünftige Unterstützung für andere Umgebungen zu ermöglichen.
Myna ist für die lokale Spracherkennung ausgelegt. Nach der Installation der erforderlichen Modelle ist keine Internetverbindung für die Diktierfunktion erforderlich; das Mikrofon wird nur nach ausdrücklicher Aktivierung durch den Benutzer verwendet, das Audio wird im Speicher verarbeitet und anschließend verworfen, und die Aufzeichnungen werden nicht an externe Dienste übermittelt. In den Projektspezifikationen wird auch angegeben, dass die Lösung standardmäßig das Speichern von Audio vermeiden und nicht im Hintergrund auf einen Cloud-Service umschalten darf.
Der Code und die Dokumentation von Myna sind im Repository von Canonical veröffentlicht auf GitHub. Das Projekt wird als leichtgewichtige Speech-to-Text-Anwendung für Ubuntu Desktop beschrieben und unter der Lizenz GPL-3.0 veröffentlicht. Das Projekt befindet sich jedoch noch in einem frühen Stadium: Im Repository sind bislang keine veröffentlichten Releases vorhanden, und die architektonische Spezifikation hat den Status "Vorgeschlagen".
Die Hauptfunktionen und Merkmale von Myna
Push-to-Talk-Diktat. Der Benutzer hält die konfigurierbare Hotkey-Taste gedrückt, spricht, und das System fügt den erkannten Text in das ausgewählte Eingabefeld ein. Das Diktat endet, wenn die Taste losgelassen wird.
Lokale Spracherkennung. Die Erkennung erfolgt auf dem Benutzergerät über einen lokalen Inferenz-Stack. Dies verringert die Abhängigkeit von der Cloud und ermöglicht die Nutzung ohne Netzwerkzugang nach der Installation der Modelle.
Private Audioverarbeitung. Das Mikrofon wird nur während der Benutzersitzung aktiviert. Audio sollte standardmäßig nicht auf die Festplatte aufgenommen werden; stattdessen wird ein begrenzter Speicherpuffer verwendet, der nach Abschluss der Sitzung geleert wird.
Visueller Aktivitätsindikator. Während der Aufnahme und Transkription sollte der Benutzer einen verständlichen Statusindikator sehen. In der Spezifikation werden Zustände wie Aufzeichnen, Transkribieren, Finalisieren und Fehler erwähnt.
Einfügen nur stabiler Texte. In der ersten Implementierung sollten Zwischenhypothesen der Erkennung nicht direkt in die Anwendung eingefügt werden. In das Zielfeld wird nur der bestätigte endgültige Text gesendet.
Nachbearbeitung des Textes. Die rohe Transkription kann normalisiert, mit Interpunktion versehen, kapitalisiert, formatiert und mündliche Formen in schriftliche verwandelt werden, z.B. "twenty two" → "22".
Auswahl der Diktiersprache. Das System sollte eine anpassbare Sprache für die Diktation unterstützen, wobei standardmäßig die Sprache der Benutzeroberfläche verwendet wird, sofern ein passendes Modell verfügbar ist.
Modelqualitätsprofile. Die Spezifikation sieht verschiedene Modellprofile vor: eine leichtere Variante mit geringerem Ressourcenverbrauch, ein ausgewogenes Standardprofil und eine qualitativ hochwertigere, aber ressourcenintensivere Option.
Sichere Eingabe mit Fokus. Das Ziel für das Einfügen von Text wird zu Beginn der Sitzung ausgewählt. Wenn sich der Fokus des Fensters während des Diktierens ändert, sollte das System den Text nicht stillschweigend in eine andere Anwendung senden.
Sperrung in geschützten Feldern. Das Diktieren sollte in Passwortfeldern, Authentifizierungsfenstern und anderen geschützten Bereichen blockiert werden, wenn die Anwendung oder das Toolkit dies ermöglicht.
Integration mit Wayland/GNOME. Die erste Version ist auf Wayland und GNOME ausgerichtet. Für die anfängliche Texteingabe wird IBus in Betracht gezogen, wobei in Zukunft ein nativerer Wayland-Weg über die Input-Method/Text-Input-Protokolle geplant ist.
Benutzereinstellungen. Im geplanten Einstellungsinterface sollte die Aktivierung/Deaktivierung von STT, die Auswahl der Hotkey, der Diktatsprache, des Mikrofons, des Modellprofils, der Nachbearbeitungsoptionen und des Aktivitätsindikators enthalten sein.
In der ersten Iteration bleiben Funktionen wie das Aufwecken durch einen Schlüsselbegriff, kontinuierliches Hintergrundabhören, Cloud-Spracherkennung, Sprachassistent, Sprachbefehle, Desktopsteuerung, Sprachübersetzung, Sprecheridentifikation, automatische Spracherkennung und Diktatverlauf außerhalb des Projekts. Mit anderen Worten, Canonical startet nicht mit einem "AI-Assistenten", sondern mit einer grundlegenderen Funktion: der lokalen Spracherkennung für die Texteingabe in reguläre Ubuntu-Anwendungen.
Quelle: linux.org.ru
