প্রকল্প সম্পর্কে

PUSH হলো অফলাইন ভয়েস-টু-টেক্সট ডিক্টেশনের জন্য একটি macOS ইউটিলিটি। এটি ব্যবহারকারীদের একটি কী ধরে রাখতে (ডিফল্ট Right Option), কথা বলতে এবং ছেড়ে দিলে যেকোনো ফোকাসড টেক্সট ফিল্ডে ট্রান্সক্রাইব করা টেক্সট সন্নিবেশ করতে দেয়। এটি ভয়েস অ্যাক্টিভিটি ডিটেকশনসহ হ্যান্ডস-ফ্রি ব্যবহারের জন্য wake word-ও সমর্থন করে। সমস্ত স্পিচ রিকগনিশন Neural Engine-এ লোকালি চলে, যা নেটওয়ার্ক রাউন্ড ট্রিপ, অ্যাকাউন্ট বা API key ছাড়াই গোপনীয়তা নিশ্চিত করে। প্রধান বৈশিষ্ট্যগুলোর মধ্যে রয়েছে: - Hold-to-talk এবং wake word অ্যাক্টিভেশন - যেকোনো অ্যাপে টেক্সট সন্নিবেশ - Self-correction (যেমন, "the red car, I mean the blue car" হয়ে যায় "the blue car") - ফিলার শব্দ ("um", "uh") পরিষ্কার করা, সময়, টাকা, শতাংশ ও উদ্ধৃতির ফরম্যাটিং - "new line", "new paragraph", "bullet point" এবং numbered list-এর মতো লেআউট কমান্ড - অর্থপূর্ণ ব্যবহার সংরক্ষণ করে অনানুষ্ঠানিক "like" সরানোর জন্য "California mode" - নাম ও জার্গনের জন্য personal dictionary, iCloud-এর মাধ্যমে সিঙ্ক হয় - লিসেনিং স্ট্যাটাস ও স্ট্রিমিং ট্রান্সক্রিপশন দেখানো লাইভ পিল - শুধুমাত্র মেনু বার, কোনো ডক আইকন নেই মডেল: অ্যাপটি অন-ডিভাইস মডেল ব্যবহার করে, ইংরেজি Mac-এ ডিফল্টভাবে Parakeet Streaming এবং অন্যত্র Parakeet Ultra। Parakeet Ultra ইংরেজি ও ল্যাটিন-স্ক্রিপ্ট ইউরোপীয় ভাষা সমর্থন করে; Nemotron Multilingual চীনা, জাপানি, আরবি, হিন্দি, রুশ ও গ্রিকের মতো অন্যান্য ভাষা কভার করে। প্রতিটি মডেল প্রায় 600 MB এবং Settings-এ ম্যানেজ করা যায়। বেঞ্চমার্ক (README থেকে, তারিখ 30 September 2026) অনুযায়ী Parakeet Streaming-এ মিডিয়ান ট্রান্সক্রিপশন লেটেন্সি 0.02s এবং Parakeet Ultra-তে 0.04s, যেখানে Wispr Flow (ক্লাউড)-এর 0.74s, অর্থাৎ PUSH প্রায় 20x দ্রুত। টেস্ট প্যাসেজে PUSH-এর নির্ভুলতা নিখুঁত ছিল, অন্যদিকে Wispr Flow মাঝে মাঝে "Zürich"-এর umlaut ভুলভাবে হ্যান্ডেল করেছে। সেটআপ: Releases থেকে DMG ডাউনলোড করুন, Applications-এ ড্র্যাগ করুন, Microphone ও Accessibility পারমিশন দিন এবং সুপারিশকৃত মডেল ডাউনলোড করুন। সোর্স থেকে `swift build`, `swift run`, `swift test` দিয়ে বিল্ড করুন। গোপনীয়তা: অডিও শুধুমাত্র ডিক্টেশনের সময় রেকর্ড হয় এবং লোকালি প্রসেস হয়। কোনো অডিও, ট্রান্সক্রিপ্ট বা টেলিমেট্রি কোথাও পাঠানো হয় না। মডেলগুলো লোকালি সংরক্ষিত থাকে এবং মুছে ফেলা যায়। টেক: Swift, SwiftUI, FluidAudio (CoreML/ANE-এ Parakeet + Silero VAD), আপডেটের জন্য Sparkle। লাইসেন্স: Proprietary (LICENSE ও EULA দেখুন)। 8.2.2 পর্যন্ত সংস্করণগুলো MIT-লাইসেন্সড ছিল। ওপেন-সোর্স কম্পোনেন্টগুলো third-party notices-এ কৃতিত্ব দেওয়া হয়েছে।