Canonicalのエンジニアリングディレクターであるジャン＝バティスト・ラレマン氏は、音声入力の整理や自然言語でのコマンド認識に使用することを目的とした音声認識アプリケーションを開発しているMynaプロジェクトについて発表した。 Ubuntu デスクトップ。このプロジェクトはGPLv3ライセンスで配布されていますが、リポジトリには現在、プロジェクトのモジュールアーキテクチャと統合を説明するスケッチのみが含まれています。 Ubuntu.
公開用 Ubuntu 10月26日には、アプリが音声入力に対応する予定です。ユーザーセッションは、キーボードショートカットでアプリを起動し、音声で入力し、認識されたテキストを、話しながらキーボード入力をシミュレートしてアプリに貼り付けるという流れで行われます。マイクが有効になると、パネルに特別なインジケーターが表示されます。
基本となるテスト環境はWaylandベースのGNOMEであるとされているが、このアプリケーションは当初から様々なデスクトップ環境に適応できるように設計されている。
Mynaは、音声認識にローカルで動作するAIモデルを利用します。アプリの要件には、オフラインでの動作、ホットキーで明示的に音声入力モードを有効にした後のみマイクが有効になること、音声をメモリ内で処理し、使用後にクリアすること、音声録音を外部サービスに転送しないことなどが含まれます。
音声認識、ユーザーインタラクション、音声入力管理、テキスト置換のためのコンポーネントは、モジュールの形で開発される。
AIモデルの実行環境はSnapパッケージとして提供される予定です。認識モデルとしては、Whisper、Parakeet、NemoTron、Qwen3-ASRなどが候補として挙げられています。
音声認識管理サービスは、ホットキーの押下を監視し、マイクを起動し、APIを介してスナップパッケージ内のAIモデルにアクセスし、オーディオサービスからのオーディオストリームをAIモデルに転送し、データフローを調整します。
Звуковой сервис обращается к звуковому устройству, как напрямую, так и через звуковые サーバー PulseAudio или PipeWire, подавляет шум и выравнивает громкость. Генерируемый моделью текст передаётся в модуль постобработки для чистки, нормализации, форматирования и расстановки знаков препинания. Финальный текст подставляется в приложение через подстановку ввода, например, через Wayland-протокол input-method или IBus.
初期機能が安定すれば、音声アシスタントとしての機能、音声コマンドの実行、デスクトップの音声制御、自動言語認識による音声入力テキストの翻訳といった機能の実装も排除できない。
出所： オープンネット.ru
