
Lo he dicho antes y lo diré de nuevo. Ya sea un teléfono inteligente o una computadora de escritorio, la voz se convertirá en el método de entrada preferido en el futuro.
Y Voice es uno de los mejores ejemplos de IA local. El modelo de voz es lo suficientemente pequeño como para ejecutarse en una computadora portátil normal. Tu voz es tan personal como tus datos. Después de todo, no querrás que cada oración a medio formar que digas vaya al servidor de otra persona para entrenar su inteligencia artificial.
🐧 Linux obtiene voz (entrada)
Ubuntu 26.10 Se lanzó la herramienta de conversión de voz a texto de Canonical, Myna. Presionas una tecla de acceso directo, hablas y el texto aparece en cualquier aplicación que estés usando.
Ejecuta Parakeet, Whisper o FunASR localmente, no se requiere Internet después de descargar el modelo.
Los estorninos no son las únicas herramientas de este tipo. Hay muchas otras herramientas como WokaLinux y charla de esmoquin. Herramientas comerciales como Superwhisper también están disponibles para Linux, pero no son verdaderamente nativas.
La mayoría de las herramientas de dictado, desde Myna hasta Superwhisper, hacen las mismas cuatro cosas.
Primero, hay algunas cosas que determinan cuándo se habla realmente y eliminan el silencio. Luego, un modelo de voz (normalmente Whisper o Parakeet) convierte el audio en texto sin formato. Algunas herramientas pasan texto a través de LL.M. locales para corregir la puntuación, la terminología y el formato. Finalmente, la herramienta ingresa los resultados en la ventana gráfica activa.
El paso de limpieza es opcional y no gratuito. El segundo modelo significa que se utiliza más memoria y hay una espera más larga antes de que se muestre el texto. Para mensajes cortos, la salida sin formato de Whisper suele ser suficiente.
Pasta Weiss 1.5 Lanzado el 16 de noviembre. Esta aplicación con licencia del MIT puede transcribir en su computadora usando Whisper.cpp o Parakeet, y un proveedor de nube es opcional. La nueva versión puede Transcribir archivos de audio y vídeo. Nativo también está disponible, desde MP3 y FLAC hasta MKV y WebM. Su historial y sus notas ahora se almacenan cifrados.
tímido es el que realiza el paso de limpieza LLM localmente. Está escrito en Rust y tiene la licencia MIT. El discurso pasa por Whisper.cpp y la transcripción está organizada por un modelo que se ejecuta en Ollama. Los desarrolladores lo crearon para escribir japonés en Ubuntu, pero el reconocimiento de voz cubre cualquier idioma que admita Whisper.
🧪 En mi escritorio
Utilizo el ecosistema de Proton en It’s FOSS. yo uso su servicio de correo electrónicoe para correo electrónico @itsfoss, VPN, almacenamiento en la nube y administrador de contraseñas. Todo el ecosistema de Proton se basa en un compromiso con la privacidad.
Proton también ofrece su propia inteligencia artificial privada llamada Rumor. Hasta ahora es aburrido y poco útil, es solo un chatbot como chatGPT en 2024.
Pero ayer, Proton mejora Lumo con una aplicación de escritorio Ahora tiene habilidades, conectores y opciones para acceder a archivos y shells del sistema.
Ahora realmente funciona. Su perfil permanece privado, pero puede usarlo para clasificar el correo electrónico, administrar GitHub y muchas otras tareas.
Aunque todavía queda un largo camino por recorrer, al menos Proton ha dado un paso en la dirección correcta.
🗂 Terminología de IA: VAD
VAD significa Detección de actividad de voz. Es un modelo diminuto que escucha un micrófono y determina si el sonido es voz o ruido, un ventilador o un teclado.
Las herramientas de dictado lo utilizan para eliminar el silencio antes de que el audio llegue al modelo de voz. Menos mensajes significa una transcripción más rápida. Esto también significa que Whisper no tiene ninguna posibilidad de «escuchar» palabras en silencio, como se sabe que es capaz de hacer. Silero VAD Fue una elección mutua y Koe la apoyó.
⚡ Consejos rápidos
La mayoría de estas herramientas te permiten elegir qué modelo de Whisper descargar. Cuando se trata de dictado, lo más grande no siempre es lo mejor.
Si solo usa dictado en inglés, seleccione .encomo base.en o small.en. Estas versiones únicamente en inglés tienden a ser más precisas que los modelos multilingües del mismo tamaño, especialmente en tamaños más pequeños.
En una computadora portátil sin una buena GPU, desde small.en Sólo si sigues cometiendo errores con tus palabras, ascenderá. Un modelo lento te molestará más que un error tipográfico ocasional.
Nos vemos la próxima semana 🙂










