شرکت کانونیکال (Canonical) به‌طور رسمی اعلام کرد که Myna، ابزار تازه‌اش برای تبدیل گفتار به متن (Speech-to-Text) مبتنی بر هوش مصنوعی در دسکتاپ اوبونتو، اکنون در قالب پیش‌نمایش فناوری (Technology Preview) در دسترس کاربران قرار گرفته است. این ابزار از یک مدل هوش مصنوعی تشخیص خودکار گفتار (Automatic Speech Recognition یا ASR) به‌صورت محلی و آفلاین استفاده می‌کند و به کاربر اجازه می‌دهد در هر فیلد متنی روی دسکتاپ اوبونتو، از نرم‌افزار واژه‌پرداز و مرورگر وب گرفته تا ترمینال، متن مورد نظر خود را دیکته کند.
پشتیبانی از نسخه‌های اوبونتو و محدودیت‌های اجرایی
بر اساس اعلام کانونیکال، نسخه‌های Ubuntu 24.04 LTS، 26.04 LTS و 26.10 از این قابلیت پشتیبانی می‌کنند؛ البته تنها در صورتی که کاربر از دسکتاپ پیش‌فرض گنوم (GNOME) همراه با سرور نمایشی وی‌لند (Wayland) استفاده کند.
ساختار فنی و نحوه کارکرد Myna
مجموعه Myna از سه بخش اصلی تشکیل شده است:
- بسته اصلی هماهنگ‌کننده (Orchestrator Snap): با نام myna که وظیفه مدیریت فرآیند دیکته را بر عهده دارد.
- ابزار گرافیکی تنظیمات (GUI Setup Tool): با نام myna-config که برای پیکربندی اولیه در اختیار کاربر قرار می‌گیرد.
- مدل هوش مصنوعی: که به‌صورت یک بسته اسنپ (Snap) جداگانه نصب می‌شود.
روش استفاده نیز بسیار ساده است: کاربر یک میان‌بر صفحه‌کلید (Keyboard Shortcut) تعیین می‌کند، هنگام قرار گرفتن نشانگر در فیلد متنی آن را فشار می‌دهد، صحبت می‌کند و پس از پایان، دوباره همان کلید را می‌فشارد تا متن در محل مورد نظر ظاهر شود.
حریم خصوصی؛ پردازش کاملاً درون‌دستگاهی
یکی از مهم‌ترین ویژگی‌های Myna، رویکرد آن به حریم خصوصی است. تمام داده‌های صوتی صرفاً در حافظه (Memory) پردازش و سپس دور ریخته می‌شوند؛ هیچ فایل صوتی ذخیره، نگهداری یا برای آموزش مدل‌ها به سرورهای بیرونی ارسال نمی‌شود. همچنین اگر فیلد متنی هدف به دلیل کلیک کاربر در جای دیگر یا باز شدن پنجره‌ای جدید، فوکوس خود را از دست بدهد، متن دیکته‌شده از بین می‌رود و به‌اشتباه در کادر دیگری درج نخواهد شد.
سه مدل زبانی متن‌باز در دسترس کاربران
در این نسخه پیش‌نمایش، کاربران می‌توانند یکی از سه مدل متن‌باز (Open-Weight) تبدیل گفتار به متن را انتخاب کنند:
- Parakeet از انویدیا
- Whisper از اوپن‌ای‌آی
- Funasr از علی‌بابا
چشم‌انداز کانونیکال و پشتیبانی چندزبانه
ژان باتیست لالمان (Jean Baptiste Lallement) از کانونیکال می‌گوید که این قابلیت هنوز «در روزهای نخست» خود قرار دارد، اما اکنون «آماده است تا جامعه کاربران آن را آزمایش کند». Myna از همان ابتدا چندزبانه (Multi-Lingual) طراحی شده است؛ بنابراین کاربران نباید نگران آن باشند که با یک آزمون صرفاً انگلیسی‌محور روبه‌رو هستند.
گفتنی است که روند توسعه Myna از زمان معرفی آن در ماه ژوئن پیگیری شده و پیش‌تر نیز ویدئویی از عملکرد عملی آن منتشر شده است. مراحل نصب اعلام‌شده در راهنمای پیشین همچنان معتبر است و کاربران می‌توانند بر اساس همان دستورالعمل، این ابزار را روی سیستم خود راه‌اندازی کنند.
تجربه اولیه نشان می‌دهد که Myna به‌طرز محسوسی خوب کار می‌کند؛ هرچند به اندازه فناوری‌های ابری مانند Rambler گوگل برای اندروید چشمگیر نیست، اما کاملاً روی دستگاه اجرا می‌شود، هیچ داده صوتی را به بیرون نمی‌فرستد و به‌طور کامل بومی اوبونتو است.