Canonical ប្រកាស​ប្រព័ន្ធ​សម្គាល់​សំឡេង Myna

លោក Jean-Baptiste Lallement នាយកផ្នែកវិស្វកម្មនៅ Canonical បានធ្វើបទបង្ហាញអំពីគម្រោង Myna ដែលកំពុងបង្កើតកម្មវិធីសម្គាល់សំឡេង ដែលមានបំណងប្រើសម្រាប់រៀបចំការបញ្ចូលសំឡេង និងសម្គាល់ពាក្យបញ្ជាជាភាសាធម្មជាតិនៅក្នុង... Ubuntu ផ្ទៃតុ។ គម្រោងនេះត្រូវបានចែកចាយក្រោមអាជ្ញាប័ណ្ណ GPLv3 ប៉ុន្តែឃ្លាំងបច្ចុប្បន្នមានតែគំនូរព្រាងដែលពិពណ៌នាអំពីស្ថាបត្យកម្មម៉ូឌុលរបស់គម្រោង និងការរួមបញ្ចូលរបស់វាជាមួយ Ubuntu.

សម្រាប់ការចេញផ្សាយ Ubuntu នៅថ្ងៃទី 26.10 ខែតុលា កម្មវិធីនេះត្រូវបានគ្រោងនឹងឱ្យឆបគ្នាជាមួយនឹងការបញ្ចូលសំឡេង។ វគ្គអ្នកប្រើប្រាស់មានការធ្វើឱ្យកម្មវិធីសកម្មតាមរយៈផ្លូវកាត់ក្តារចុច ការសរសេរតាមសំឡេងៗ និងការបិទភ្ជាប់អត្ថបទដែលស្គាល់ទៅក្នុងកម្មវិធីបច្ចុប្បន្នតាមរយៈការបញ្ចូលក្តារចុចក្លែងក្លាយនៅពេលអ្នកនិយាយ។ សូចនាករពិសេសមួយនឹងលេចឡើងនៅក្នុងបន្ទះនៅពេលដែលមីក្រូហ្វូនត្រូវបានធ្វើឱ្យសកម្ម។
បរិស្ថានសាកល្បងមូលដ្ឋានត្រូវបានបញ្ជាក់ថាជា GNOME ដែលផ្អែកលើ Wayland ប៉ុន្តែកម្មវិធីនេះត្រូវបានរចនាឡើងតាំងពីដំបូងដើម្បីអាចសម្របខ្លួនទៅនឹងបរិស្ថានផ្ទៃតុផ្សេងៗ។

Myna នឹងប្រើប្រាស់គំរូ AI ដែលដំណើរការក្នុងស្រុកសម្រាប់ការសម្គាល់សំឡេង។ តម្រូវការសម្រាប់កម្មវិធីរួមមាន៖ សមត្ថភាពក្នុងការដំណើរការក្រៅបណ្តាញ; ការបើកដំណើរការមីក្រូហ្វូនលុះត្រាតែធ្វើឱ្យរបៀបសរសេរតាមអានសកម្មយ៉ាងច្បាស់លាស់ជាមួយគ្រាប់ចុចក្តៅ; ការដំណើរការសំឡេងនៅក្នុងអង្គចងចាំ ដែលត្រូវបានសម្អាតបន្ទាប់ពីការប្រើប្រាស់នីមួយៗ; និងការហាមឃាត់ការផ្ទេរការថតសំឡេងទៅសេវាកម្មខាងក្រៅ។

សមាសភាគសម្រាប់ការសម្គាល់សំឡេង អន្តរកម្មអ្នកប្រើប្រាស់ ការគ្រប់គ្រងការសរសេរតាមអាន និងការជំនួសអត្ថបទត្រូវបានបង្កើតឡើងក្នុងទម្រង់ជាម៉ូឌុល។
បរិយាកាស​ប្រតិបត្តិ​គំរូ AI នឹងត្រូវបានវេចខ្ចប់ជារូបភាពសង្ខេប។ Whisper, Parakeet, NemoTron និង Qwen3-ASR ត្រូវបានលើកឡើងថាជាគំរូសម្គាល់ដែលអាចធ្វើទៅបាន។
សេវាកម្មគ្រប់គ្រងការសរសេរតាមអានត្រួតពិនិត្យការចុចគ្រាប់ចុចក្តៅ ធ្វើឱ្យមីក្រូហ្វូនសកម្ម ចូលប្រើគំរូ AI នៅក្នុងកញ្ចប់ snap តាមរយៈ API បញ្ជូនបន្តស្ទ្រីមអូឌីយ៉ូពីសេវាកម្មអូឌីយ៉ូទៅវា និងសម្របសម្រួលលំហូរទិន្នន័យ។

សេវាកម្មអូឌីយ៉ូចូលប្រើឧបករណ៍អូឌីយ៉ូ ទាំងដោយផ្ទាល់ ឬតាមរយៈម៉ាស៊ីនបម្រើអូឌីយ៉ូ PulseAudio ឬ PipeWire ទប់ស្កាត់សំឡេងរំខាន និងធ្វើឱ្យកម្រិតសំឡេងស្មើគ្នា។ អត្ថបទដែលបង្កើតដោយគំរូត្រូវបានបញ្ជូនទៅម៉ូឌុលដំណើរការក្រោយសម្រាប់ការសម្អាត ការធ្វើឱ្យមានលក្ខណៈធម្មតា ការធ្វើទ្រង់ទ្រាយ និងការដាក់សញ្ញាវណ្ណយុត្តិ។ អត្ថបទចុងក្រោយត្រូវបានបញ្ចូលទៅក្នុងកម្មវិធីតាមរយៈការជំនួសការបញ្ចូល ឧទាហរណ៍ តាមរយៈពិធីការវិធីសាស្ត្របញ្ចូល Wayland ឬ IBus។

នៅពេលដែលមុខងារដំបូងត្រូវបានធ្វើឱ្យមានស្ថេរភាព ការអនុវត្តសមត្ថភាពដូចជាការដើរតួជាជំនួយការសំឡេង ការប្រតិបត្តិពាក្យបញ្ជាសំឡេង ការគ្រប់គ្រងសំឡេងលើផ្ទៃតុ និងការបកប្រែអត្ថបទដែលបានសរសេរដោយការស្គាល់ភាសាដោយស្វ័យប្រវត្តិមិនអាចត្រូវបានច្រានចោលនោះទេ។

ប្រភព: opennet.ru