Canonical ha presentato il progetto Myna — un nuovo sistema di conversione della voce in testo per Ubuntu Desktop. Il progetto è orientato alla dettatura integrata: l'utente preme una combinazione di tasti, parla e il testo riconosciuto appare nell'applicazione attiva. Nell'annuncio si sottolinea che Myna deve sentirsi come una parte naturale del desktop di Ubuntu, lavorando nel rispetto 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 realizzare un assistente vocale completo o un sistema di controllo del desktop tramite voce. Gli sviluppatori hanno intenzionalmente limitato l'area della prima versione alla dettatura di base e affidabile: premere una combinazione di tasti, pronunciare il testo e ottenere il risultato nel campo di input attuale. L'ambiente verificabile iniziale è Ubuntu Desktop su Wayland con GNOME, ma l'architettura è prevista sufficientemente aperta per supportare in futuro altri ambienti.
Myna è progettata per il riconoscimento vocale locale. Dopo l'installazione dei modelli necessari, non è richiesta una connessione Internet per il funzionamento del riconoscimento, il microfono deve essere utilizzato solo dopo l'attivazione esplicita da parte dell'utente, l'audio viene elaborato in memoria e quindi scartato, e le registrazioni non vengono inviate a servizi esterni. Nella specifica del progetto è anche indicato che la soluzione deve evitare di salvare l'audio per impostazione predefinita e non deve passare silenziosamente 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 attualmente in una fase embrionale: nel repository non sono ancora stati pubblicati rilasci e la specifica architetturale ha lo stato di Proposto.
Funzioni principali e caratteristiche 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 quando il tasto viene rilasciato.
Riconoscimento vocale locale. Il riconoscimento avviene sulla macchina dell'utente tramite uno stack di inferenza locale. Questo riduce la dipendenza dal cloud e consente l'uso offline dopo l'installazione dei modelli.
Elaborazione privata dell'audio. 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 chiaro. Nella specifica 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 trasformazione delle forme orali in forma scritta, ad esempio 'twenty two' → '22'.
Selezione della lingua di dettatura. Il sistema deve supportare una lingua di dettatura personalizzabile, basandosi per impostazione predefinita sulla lingua dell'interfaccia utente, se è disponibile un modello adeguato.
Profili di qualità del modello. La specifica prevede diversi profili di modelli: una versione leggera con un consumo di risorse ridotto, un profilo bilanciato per impostazione predefinita e una versione di qualità superiore ma più pesante.
Funzionamento sicuro con il focus di 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 possono determinarlo.
Integrazione con Wayland/GNOME. La prima versione è orientata a Wayland e GNOME. Per l'inserimento iniziale del testo si considera IBus, mentre in futuro è prevista una strada più nativa per Wayland attraverso i protocolli input-method/text-input.
Impostazioni utente. Nell'interfaccia delle impostazioni pianificate devono essere inclusi l'attivazione/disattivazione STT, la scelta della scorciatoia da tastiera, della lingua di dettatura, del microfono, del profilo del modello, delle opzioni di post-elaborazione e dell'indicatore di attività.
Nella prima iterazione il progetto non include il risveglio tramite parola chiave, ascolto continuo in background, riconoscimento cloud, assistente vocale, comandi vocali, gestione del desktop, traduzione del parlato, identificazione del parlante, rilevamento automatico della lingua e cronologia dei dettati. In altre parole, Canonical inizia non con un 'assistente AI', ma con una funzione più concreta: l'input vocale locale di testo nelle normali applicazioni di Ubuntu.
Fonte: linux.org.ru
