প্রকল্প সম্পর্কে

Handy একটি ক্রস-প্ল্যাটফর্ম ডেস্কটপ অ্যাপ্লিকেশন যা সহজ, গোপনীয়তা-কেন্দ্রিক স্পিচ ট্রান্সক্রিপশন প্রদান করে। এটি বিনামূল্যে, ওপেন সোর্স এবং এক্সটেনসিবল, সম্পূর্ণ অফলাইনে কাজ করার জন্য ডিজাইন করা হয়েছে, কোনো অডিও ডেটা ক্লাউডে পাঠানো হয় না। মূল কাজের প্রক্রিয়া সহজ: একটি কনফিগারযোগ্য কীবোর্ড শর্টকাট চাপুন, কথা বলুন এবং ছেড়ে দিন, আপনার শব্দগুলো ট্রান্সক্রিপ্ট হয়ে সরাসরি আপনি যে টেক্সট ফিল্ড ব্যবহার করছেন সেখানে পেস্ট হয়ে যাবে। অ্যাপ্লিকেশনটি Windows, macOS (Intel এবং Apple Silicon উভয়ই) এবং Linux সমর্থন করে। এটি স্থানীয় স্পিচ রিকগনিশন মডেল ব্যবহার করে, প্রাথমিকভাবে Whisper-পরিবারের মডেল (Small, Medium, Turbo, Large) উপলব্ধ থাকলে GPU এক্সিলারেশন সহ, এবং Parakeet V3, একটি CPU-অপ্টিমাইজড মডেল যা স্বয়ংক্রিয় ভাষা সনাক্তকরণ সহ। ট্রান্সক্রিপশনের আগে Silero দিয়ে ভয়েস অ্যাক্টিভিটি ডিটেকশন (VAD) ব্যবহার করে নীরবতা ফিল্টার করা হয়। Handy একটি Tauri অ্যাপ্লিকেশন হিসাবে তৈরি, যা সেটিংস UI-এর জন্য Tailwind CSS সহ React + TypeScript ফ্রন্টএন্ড এবং সিস্টেম ইন্টিগ্রেশন, অডিও প্রসেসিং এবং ML ইনফারেন্সের জন্য Rust ব্যাকএন্ড একত্রিত করে। মূল লাইব্রেরিগুলির মধ্যে রয়েছে Whisper মডেলের জন্য transcribe-cpp, Parakeet মডেলের জন্য transcribe-rs, ক্রস-প্ল্যাটফর্ম অডিও I/O-এর জন্য cpal, ভয়েস অ্যাক্টিভিটি ডিটেকশনের জন্য vad-rs, গ্লোবাল কীবোর্ড শর্টকাটের জন্য rdev এবং অডিও রিস্যাম্পলিংয়ের জন্য rubato। অ্যাপটি একাধিক রেকর্ডিং মোড অফার করে: হোল্ড-টু-রেকর্ড, ট্যাপ-টু-টগল, হোল্ড-অনলি এবং টগল-অনলি। এতে কীবোর্ড শর্টকাটের মাধ্যমে অ্যাক্সেসযোগ্য একটি ডিবাগ মোড, রিমোট কন্ট্রোল এবং স্টার্টআপ কাস্টমাইজেশনের জন্য CLI প্যারামিটার এবং রেকর্ডিং নিয়ন্ত্রণ, ট্রান্সক্রিপ্ট ইতিহাস ব্রাউজিং, ডিকশনারি পরিচালনা এবং মডেল ও ভাষা পরিবর্তনের জন্য একটি Raycast ইন্টিগ্রেশন অন্তর্ভুক্ত রয়েছে। Linux ব্যবহারকারীদের জন্য, ডিসপ্লে সার্ভারের উপর নির্ভর করে টেক্সট ইনপুটের জন্য Handy-এর অতিরিক্ত টুল প্রয়োজন: X11-এর জন্য xdotool, Wayland-এর জন্য wtype বা dotool। ফোকাস-চুরির সমস্যা এড়াতে Linux-এ রেকর্ডিং ওভারলে ডিফল্টভাবে নিষ্ক্রিয়। Wayland-এ গ্লোবাল কীবোর্ড শর্টকাট ডেস্কটপ এনভায়রনমেন্ট বা উইন্ডো ম্যানেজারের মাধ্যমে কনফিগার করতে হবে, ইন্টিগ্রেশনের জন্য CLI ফ্ল্যাগ উপলব্ধ। Handy প্রক্সি বা সীমাবদ্ধ নেটওয়ার্ক পরিবেশে থাকা ব্যবহারকারীদের জন্য ম্যানুয়াল মডেল ইনস্টলেশন সমর্থন করে এবং মডেল ডিরেক্টরিতে রাখা কাস্টম Whisper GGML মডেল স্বয়ংক্রিয়ভাবে আবিষ্কার করতে পারে। রিলিজ আর্টিফ্যাক্ট Tauri-এর আপডেটার সিগনেচার ফরম্যাটে সাইন করা হয় এবং minisign ব্যবহার করে যাচাই করা যেতে পারে। প্রকল্পটি সক্রিয়ভাবে উন্নয়নাধীন, ডিবাগ লগিং, macOS কীবোর্ড উন্নতি, অপ্ট-ইন অ্যানালিটিক্স, সেটিংস রিফ্যাক্টরিং এবং Tauri কমান্ড ক্লিনআপের উপর চলমান কাজ চলছে। পরিচিত সীমাবদ্ধতার মধ্যে রয়েছে macOS-এ ব্লুটুথ হেডসেট মাইক্রোফোন সমস্যা, fn/Globe কী শর্টকাট শুধুমাত্র Apple কীবোর্ডে কাজ করা, নির্দিষ্ট সিস্টেম কনফিগারেশনে Whisper মডেল ক্র্যাশ এবং সীমিত Wayland সমর্থন।