رونویسی مبتنی بر هوش مصنوعی یکی از کاربردهای پرطرفدار مدل‌های زبانی بزرگ (LLM) است، اما بسیاری از ابزارهای موجود برای این کار به اشتراک ابری (Subscription) و پردازش در فضای ابری وابسته‌اند. در همین حال، مدل تشخیص گفتار Parakeet نشان می‌دهد که می‌توان رونویسی باکیفیت را به‌صورت کاملاً محلی و حتی روی سخت‌افزار قدیمی اجرا کرد.
پاراکیت چیست و چرا به سخت‌افزار قدرتمند نیاز ندارد؟
Parakeet یک مدل تشخیص خودکار گفتار (Automatic Speech Recognition) است که گفتار موجود در فایل‌های صوتی، یادداشت‌های صوتی و حتی ورودی مستقیم میکروفون را به متن تبدیل می‌کند. نسخه آزمایش‌شده در این گزارش، Parakeet TDT 0.6B v3 با ۶۰۰ میلیون پارامتر است؛ مدلی که به گفته نویسنده به‌اندازه‌ای سبک است که یک مک‌بوک ایر (MacBook Air) را تحت فشار نمی‌گذارد، اما برای انجام کار همچنان توانمند است.
نسخه کوانتیزه (Quantized) این مدل حدود ۷۰۰ مگابایت فضا اشغال می‌کند و تقریباً ۲ گیگابایت رم (RAM) مصرف می‌کند. این رقم در مقایسه با مدل‌های بزرگ‌تر چندان زیاد نیست و همین موضوع اجرای آن را روی دستگاه‌هایی از رزبری پای (Raspberry Pi) تا یک رایانه ده‌ساله ممکن کرده است. نکته قابل توجه اینکه Parakeet توسط انویدیا (Nvidia) توسعه داده شده، اما برای اجرا به کارت گرافیک اختصاصی (Dedicated GPU) نیاز ندارد.
تجربه استفاده از Docker و API محلی
نویسنده برای شروع، Parakeet را در Docker اجرا کرده است. سرور محلی آن به‌سادگی مستقر می‌شود و می‌توان از طریق API یا با اشاره به یک فایل روی رایانه، درخواست رونویسی داد. این روش برای ادغام در سرویس‌ها و ابزارهای بزرگ‌تر مناسب است، اما برای استفاده روزمره چندان راحت نیست و به همین دلیل یک رابط گرافیکی کاربرپسندتر مورد توجه قرار گرفته است.
MacParakeet؛ رابط گرافیکی برای رونویسی روزمره در مک
MacParakeet همان ایده و همان مدل Parakeet را در قالب یک اپلیکیشن دسکتاپ سازگار با مک ارائه می‌کند. این برنامه فرایند راه‌اندازی اولیه (Onboarding) مناسبی دارد و کاربر را برای دریافت مجوزهای سیستم و آماده‌سازی مدل راهنمایی می‌کند. همچنین کلید Function را برای ورودی صوتی در اختیار می‌گیرد.
نویسنده میان‌برهایی برای حالت دست‌آزاد (Hands-free) تنظیم کرده تا هنگام صحبت با رایانه نیازی به نگه‌داشتن کلید Function نداشته باشد. به گفته او، بخش زیادی از همین متن با MacParakeet دیکته شده و کیفیت نتایج، حتی با وجود لهجه، بسیار خوب بوده است. تأثیر عملکردی این ابزار بر دستگاه نیز در کمترین حد توصیف شده است.
- رونویسی فایل‌های صوتی جلسات با کشیدن و رها کردن فایل در برنامه
- رونویسی از لینک‌های وب مانند یوتیوب (YouTube) و اینستاگرام (Instagram) با دریافت خودکار صدا
- ضبط جلسات از طریق صدای سیستم و ورودی میکروفون
- پشتیبانی از تشخیص گوینده (Speaker Identification)
- خروجی گرفتن از متن‌ها در قالب Markdown برای بایگانی
حریم خصوصی و کاربردهای عملی
همه این قابلیت‌ها به‌صورت روی‌دستگاه (On-device) اجرا می‌شوند و داده‌ها، از جمله فایل‌های صوتی و متن‌های رونویسی‌شده، کاملاً خصوصی باقی می‌مانند. نویسنده از Parakeet برای یادداشت‌برداری هنگام راه‌رفتن روی تردمیل، پاسخ به ایمیل‌ها و کار با یادداشت‌های شخصی استفاده کرده است. او همچنین امکان رونویسی از ویدئوهای پژوهشی و ذخیره متن برای مطالعه بعدی یا استفاده با یک مدل زبانی محلی (Local LLM) را کاربردی دانسته است.
جمع‌بندی
Parakeet نشان می‌دهد که رونویسی محلی باکیفیت به سخت‌افزار رده‌بالا نیاز ندارد. این مدل با مصرف منابع سبک و دقت مناسب، در کنار رابطی مانند MacParakeet می‌تواند جایگزینی محلی برای سرویس‌های تجاری رونویسی باشد؛ بدون ارسال فایل‌های صوتی به فضای ابری و با حفظ کامل حریم خصوصی.