Jean Baptiste Lallement, direttore ingegneristico di Canonical, ha presentato il progetto Myna, che sviluppa un'applicazione per il riconoscimento vocale destinata a gestire l'input vocale e il riconoscimento dei comandi in linguaggio naturale su Ubuntu Desktop. Il progetto è rilasciato sotto licenza GPLv3, ma attualmente nel repository sono disponibili solo bozze che descrivono l'architettura modulare del progetto e la sua integrazione con Ubuntu.
Per la versione di Ubuntu 26.10, l'applicazione è prevista essere pronta per l'input vocale del testo. Le sessioni di lavoro con l'applicazione si concentrano sull'attivazione tramite combinazione di tasti, sulla dettatura vocale e sull'inserimento del testo riconosciuto nell'applicazione corrente tramite simulazione dell'input da tastiera mentre viene pronunciato. Durante l'attivazione del microfono, verrà mostrato un indicatore speciale nella barra.
L'ambiente di test di base dichiarato è GNOME basato su Wayland, ma l'applicazione è progettata fin dall'inizio con l'intenzione di adattarsi a diversi ambienti desktop.
Per il riconoscimento in Myna verrà utilizzato un modello AI eseguito localmente. Tra i requisiti per l'applicazione ci sono: la possibilità di funzionare senza connessione a Internet; attivazione del microfono solo dopo una chiara attivazione della modalità di dettatura tramite un tasto di scelta rapida; elaborazione del suono in memoria, ripulita dopo ogni utilizzo; divieto di inviare registrazioni audio a servizi esterni.
I componenti per il riconoscimento vocale, l'interazione con l'utente, la gestione della dettatura e l'inserimento del testo vengono sviluppati sotto forma di moduli.
L'ambiente per l'esecuzione dei modelli AI sarà confezionato come pacchetto snap. Tra i possibili modelli di riconoscimento vengono menzionati Whisper, Parakeet, NemoTron e Qwen3-ASR.
Il servizio di gestione della dettatura monitora la pressione del tasto di scelta rapida, attiva il microfono, accede tramite API al modello AI nel pacchetto snap, reindirizza il flusso audio dal servizio audio e coordina i flussi di dati.
Il servizio audio accede al dispositivo audio, sia direttamente che tramite PulseAudio o PipeWire, sopprime il rumore e regola il volume. Il testo generato dal modello viene inviato al modulo di post-elaborazione per la pulizia, normalizzazione, formattazione e punteggiatura. Il testo finale viene inserito nell'applicazione tramite un metodo di input, ad esempio, tramite il protocollo Wayland input-method o IBus. server Dopo la stabilizzazione delle funzionalità iniziali, non si esclude l'implementazione di funzioni come il ruolo di assistente vocale, l'esecuzione di comandi vocali, il controllo vocale del desktop e la traduzione del testo dettato con riconoscimento automatico della lingua.
Una volta stabilizzate le funzionalità iniziali, non si escludono l'implementazione di opzioni come l'operatività come assistente vocale, l'esecuzione di comandi vocali, il controllo vocale del desktop e la traduzione del testo dettato con riconoscimento automatico della lingua.
Fonte: opennet.ru
