Canonical ha presentato il progetto Myna — un nuovo sistema di conversione della voce in testo per Ubuntu Desktop. Il progetto è mirato alla dettatura integrata: l'utente preme un tasto di scelta rapida, parla e il testo riconosciuto appare nell'applicazione attiva. Nell'annuncio si sottolinea che Myna deve essere percepita come una parte naturale del desktop di Ubuntu e deve funzionare tenendo conto della privacy dell'utente. L'elenco delle lingue di input supportate al momento della pubblicazione della notizia non è stato divulgato.
Il primo obiettivo del progetto è Ubuntu 26.10. In questa fase Canonical non sta cercando di creare un assistente vocale completo o un sistema di gestione del desktop tramite voce. Gli sviluppatori hanno deliberatamente limitato l'ambito della prima versione a una dettatura semplice e affidabile: premere una combinazione di tasti, pronunciare il testo e ottenere il risultato nel campo di input attuale. L'ambiente di prova iniziale è — Ubuntu Desktop su Wayland con GNOME, ma l'architettura è progettata per rimanere sufficientemente aperta a future integrazioni con altri ambienti.
Myna è progettata per il riconoscimento vocale locale. Dopo l'installazione dei modelli necessari, non è richiesta una connessione a Internet per l'uso della dettatura; il microfono deve essere attivato esplicitamente dall'utente, l'audio viene elaborato in memoria e poi scartato, e le registrazioni non vengono inviate a servizi esterni. Nella specifica del progetto viene inoltre indicato che la soluzione deve evitare di salvare l'audio per impostazione predefinita e non deve passare in modo invisibile a un servizio cloud.
Il codice e la documentazione di Myna sono pubblicati nel repository di Canonical su GitHub. Il progetto è descritto come una leggera applicazione di speech-to-text per Ubuntu Desktop e viene distribuito con licenza GPL-3.0. Il progetto è ancora nelle fasi iniziali: nel repository non ci sono ancora versioni pubblicate, e la specifica architettonica ha lo stato di Proposto.
Funzionalità e caratteristiche principali di Myna
Dettatura push-to-talk. L'utente tiene premuto un tasto di scelta rapida personalizzabile, parla e il sistema inserisce il testo riconosciuto nel campo di input selezionato. La dettatura termina al rilascio del tasto.
Riconoscimento vocale locale. Il riconoscimento avviene sulla macchina dell'utente tramite un'inferenza locale. Questo riduce la dipendenza dal cloud e consente di lavorare senza rete dopo l'installazione dei modelli.
Elaborazione audio privata. Il microfono si attiva solo durante la sessione di dettatura dell'utente. L'audio non deve essere registrato su disco per impostazione predefinita, viene utilizzato un buffer limitato in memoria che viene svuotato al termine della sessione.
Indicatore visivo di attività. Durante la registrazione e la trascrizione, l'utente deve vedere un indicatore di stato comprensibile. Nelle specifiche vengono menzionati stati come Registrazione, Trascrizione, Finalizzazione ed Errore.
Inserimento solo di testo stabile. Nella prima implementazione, le ipotesi intermedie di riconoscimento non devono essere inserite direttamente nell'applicazione. Solo il testo finale confermato viene inviato nel campo di destinazione.
Post-elaborazione del testo. La trascrizione grezza può subire normalizzazione, punteggiatura, capitalizzazione, formattazione e conversione di forme orali in forme scritte, ad esempio “twenty two” → “22”.
Scelta della lingua di dettatura. Il sistema deve supportare una lingua di dettatura personalizzabile, partendo dalla lingua dell'interfaccia utente per impostazione predefinita, se è disponibile un modello adatto.
Profili di qualità del modello. Nelle specifiche sono previsti diversi profili di modelli: una variante leggera con minori consumi di risorse, un profilo bilanciato per impostazione predefinita e una variante più qualitativa ma più pesante.
Funzionamento sicuro con il focus d'input. L'obiettivo per l'inserimento del testo viene scelto all'inizio della sessione. Se il focus della finestra cambia durante la dettatura, il sistema non deve inviare silenziosamente il testo a un'altra applicazione.
Blocco nei campi protetti. La dettatura deve essere bloccata nei campi password, nelle finestre di autenticazione e in altri luoghi protetti, se l'applicazione o il toolkit consentono di identificarlo.
Integrazione con Wayland/GNOME. La prima versione è orientata a Wayland e GNOME. Per l'inserimento iniziale del testo viene considerato IBus, mentre in futuro è pianificato un percorso Wayland più nativo attraverso protocolli input-method/text-input.
Impostazioni utente. Nell'interfaccia delle impostazioni pianificata devono essere inclusi l'attivazione/disattivazione dello STT, la scelta del tasto di scelta rapida, della lingua di dettatura, del microfono, del profilo del modello, delle opzioni di post-elaborazione e dell'indicatore di attività.
Nella prima iterazione, restano fuori dal progetto l'attivazione della frase chiave, l'ascolto continuo in background, il riconoscimento vocale, l'assistente vocale, i comandi vocali, il controllo del desktop, la traduzione del parlato, l'identificazione del parlatore, la rilevazione automatica della lingua e la cronologia delle dettature. In altre parole, Canonical non inizia con un 'assistente AI', ma con una funzione più concreta: l'immissione vocale locale di testo nelle normali applicazioni di Ubuntu.
Fonte: linux.org.ru
