Ubuntu idén AI-funkciókat kap, és az alapító Mark Shuttleworth azt reméli, hogy a disztribúció az „ügynökalapú” korszak operációs rendszere lesz. A nagy tervek viszont apró magokkal indulnak, és az első ilyen egy Myna nevű beszédfelismerő eszköz.

Név: Myna.

Kor: mínusz 4 hónap (a Ubuntu 26.10 kiadásban debütál, ami októberben jelenik meg).

Megjelenés: semmilyen (egy billentyűparancs lesz, amit megnyomsz, hogy ne kelljen billentyűzetet használnod).

Miről van szó? Egy „könnyű beszédfelismerő alkalmazásról”, amit AI hajt. Megnyomsz egy gyorsbillentyűt, beszélsz a géphez, és mintha varázsütésre történne, a szavaid megjelennek a képernyőn. Canonical részéről Jon Seager, a mérnöki területért felelős alelnök azt mondja: bármilyen szövegmezőbe, ahová gépelni tudsz, tudsz majd beszélni is (vagy az én esetemben: beszélni rá).

Jaj de jó, AI. Most már ciki gépelni? Seager válasza, a Ubuntu Summiton elhangzottak szerint: „Miért gépelnél úgy, mint egy állat az ügynöködnek, ha egyszerűen beszélhetsz is hozzá?”.

– Állat? Én nagyon elegánsan gépelek, köszönöm! Jó is, mert szükséged lesz az ujjaidra, hogy kitöröld, amit az audióátíró modell szerint mondtál, amikor félig teli szájjal próbálsz e-mailt diktálni fánk közben. Jelszómezőkbe viszont senki sem fog tudni diktálni. Az tényleg butaság lenne.

De hát AI… Itt nem egy csevegő chatbot költözik a GNOME panelbe, és nem is egy hátborzongató „copilot” túrja majd a root jogosultságaidat. Ez beszéddiktálás, beszédfelismerő modellekkel. Normális diktálást Linuxon évtizedek óta kérnek a felhasználók. Most a Canonical tényleg eljutott oda, hogy szállítson is valamit.

Sam Altman felhasználja majd a hangomat, hogy kiképezze a Cylonjait vagy ilyesmi? A hangod sehova nem megy. A Ubuntu egy helyi, nyílt modellt fog használni, ami a saját gépeden fut. Nincsenek felhős AI-szolgáltatások. A mikrofonod csak akkor éled fel, ha megnyomod a megfelelő gyorsbillentyűt, a hangot pedig memóriában dolgozza fel a rendszer, majd kidobja. Legalábbis ez a terv.

– Terv? Azért fogalmazok óvatosan, mert a Myna GitHub jelenleg még csak célokat és ábrákat tartalmaz (innen jött a cikk eleji magos hasonlat is). A folyamatot írja le: egy sandboxolt Inference Snap dolgozza fel a hangot, miközben a Myna, mint speech orchestrator, kezeli, hogy ez hol és mikor történjen.

Szóval még nem tudom kipróbálni. Még nem (de ketyeg az óra). A Canonical már most gyűjti a visszajelzéseket azoktól, akik máshol használnak diktálóeszközöket, hogy finomhangolhassa a részleteket. Van még idő hangot adni a véleményednek – ha ez a stílusod –, és ha rendszeresen diktálsz, jó eséllyel az.

Tehát egy rétegfunkció, amit zászlóshajóként tálalnak. Senki nem fog szórakozásból shell parancsokat diktálni a terminálnak (ennek az újdonsága pontosan 4 perc 10 másodpercig tart). Hosszabb szövegeknél viszont a beszédfelismerést sokan használják, akik gyorsabban beszélnek, mint ahogy gépelnek, és szeretik hallani a saját hangjukat.

Még mindig elég rétegnek hangzik. A kockázatitőke-befektetők padon ülve, diktálva írt pitch-ei inkább képzelgések. A valódi előny az akadálymentesítésben van. A beszédalapú eszközök Ubuntu-on nem éppen a kiválóságukról híresek. Ha az AI-láz miatt ezek javulnak, az azért elég jó, nem?

Működni fog, ha nem angolul beszélek? A nyelvi lefedettség attól függ majd, hogy Myna melyik modellhez kapcsolódik. A Canonical a Whisper, az Nvidia Nemotron, a Parakeet és a Qwen3-ASR modelleket nézi, és ezek közül néhány többnyelvű változatot is kínál. Térjünk vissza rá októberben.

De ez nem egy hangasszisztens, ugye? Nem – szándékosan. Hangparancsok, az asztal hanggal való vezérlése, ébresztőszavak és folyamatos hallgatózás nem tartoznak a Myna hatókörébe (egyelőre). A Canonical szerint először az alapokat akarják jól megcsinálni.

Myna? A myna madár arról ismert, hogy ijesztően jól utánozza az emberi beszédet, a név erre utal. Itt viszont Myna nem utánoz, csak a megfelelő szövegmezőbe teszi a szavaidat, ami nem teljesen ugyanaz.

My-nah; Ubuntu majd engedi, hogy kikapcsoljam, ugye? Szerencsére igen. A Ubuntu-ba kerülő AI-funkciók olyan nagy modelleket használnak, hogy nem férnek bele az OS telepítőjébe, ezért külön Snap-ként érkeznek, amiket el tudsz távolítani. Az AI-fáradtság és a „workslop” miatti kiégés valós jelenség, szóval kifejezetten felszabadító lehet beírni: sudo snap remove all-the-ai.

Beírni? Biztos nem inkább üvölteni akartál mondani? Szellemes.

Mondd inkább: „Végre jobb diktálás Linuxon”.