প্রকল্প সম্পর্কে

EnviousWispr হল macOS-এর জন্য একটি ফ্রি, ওপেন-সোর্স AI ডিক্টেশন ও স্পিচ-টু-টেক্সট অ্যাপ, যা Apple Silicon-এর জন্য নির্মিত এবং সম্পূর্ণ অন-ডিভাইসে চালানোর জন্য ডিজাইন করা হয়েছে। অডিও স্থানীয়ভাবে প্রসেস করা হয় এবং কখনও আপলোড করা হয় না; কোনো অ্যাকাউন্ট বা সাবস্ক্রিপশন প্রয়োজন নেই, এবং অ্যাপটি অফলাইনে কাজ করে। মূল ফ্লো: যেকোনো অ্যাপ থেকে একটি গ্লোবাল কীবাইন্ড চাপুন, কথা বলুন, এবং অ্যাপটি স্থানীয়ভাবে ট্রান্সক্রাইব করে, ঐচ্ছিকভাবে একটি LLM দিয়ে টেক্সট পলিশ করে, তারপর ক্লিপবোর্ডে কপি করে এবং সক্রিয় অ্যাপে অটো-পেস্ট করতে পারে। README-তে সাব-সেকেন্ড ট্রান্সক্রিপশনের কথা বলা হয়েছে, AI পলিশ চালু থাকলে সম্পূর্ণ কীবাইন্ড-টু-পেস্ট ফ্লো সাধারণত প্রায় দেড় সেকেন্ড লাগে। Silero VAD শনাক্ত করে কখন আপনি কথা বলা বন্ধ করেছেন এবং স্বয়ংক্রিয়ভাবে রেকর্ডিং শেষ করে। কীবাইন্ড মোডের মধ্যে রয়েছে পুশ-টু-টক, টগল এবং হ্যান্ডস-ফ্রি (দীর্ঘ ডিক্টেশনের জন্য লক করতে ডাবল-প্রেস)। দুটি ASR ইঞ্জিন দেওয়া হয়েছে। Parakeet TDT v3 (NVIDIA NeMo, FluidAudio-এর মাধ্যমে) ডিফল্ট, Apple Neural Engine-এ চলে, ২৫টি ইউরোপীয় ভাষা সমর্থন করে এবং প্রায় ৪৬০ MB ডিস্ক প্রয়োজন। WhisperKit (OpenAI Whisper Large v3 Turbo, argmax-এর মাধ্যমে) GPU-তে চলে, স্বয়ংক্রিয় ভাষা শনাক্তকরণসহ ৯৯+ ভাষা সমর্থন করে এবং প্রায় ১.৬ GB প্রয়োজন। দুটিই CoreML-এর মাধ্যমে চলে; প্রথম লঞ্চে মডেল ডাউনলোড ও কম্পাইল হয়। AI পলিশ ঐচ্ছিক এবং ডিফল্টভাবে অন-ডিভাইসে থাকে। বিকল্পগুলির মধ্যে রয়েছে EG-1, প্রকল্পের নিজস্ব ফাইন-টিউনড ক্লিনআপ মডেল (প্রায় ২.৯ GB, macOS ১৪+); S1-mini by Superwhisper (প্রায় ৪৮৪ MB, ইংরেজি-ভিত্তিক, Tone, Structure এবং Context স্টাইল সেটিংসহ); Apple Intelligence (macOS ২৬+, কোনো অতিরিক্ত ডাউনলোড নেই); এবং Ollama (স্থানীয় বা হোস্টেড)। OpenAI, Gemini বা Claude-এর মাধ্যমে ক্লাউড পলিশ হল bring-your-own-key এবং শুধুমাত্র টেক্সট পাঠায়, কখনও অডিও নয়। README-তে বলা হয়েছে EG-1 অ্যাপের GPLv3-এর পরিবর্তে নিজস্ব মডেল লাইসেন্সের অধীনে বিতরণ করা হয় এবং এটি Qwen3-4B-Instruct-2507-এর একটি ফাইন-টিউনড ডেরিভেটিভ। README থেকে ফিচার হাইলাইটগুলির মধ্যে রয়েছে: কথা বলার সময় রেকর্ডিং পিলে শব্দের লাইভ প্রিভিউ; Escape Recovery, যা বাতিল করা ডিক্টেশন টেক্সট ২৪ ঘণ্টা রাখে (শুধুমাত্র টেক্সট, কখনও অডিও নয়); Snippets যা সংরক্ষিত টেক্সট হুবহু পেস্ট করে তারিখ, সময় বা ক্লিপবোর্ড ফিল-ইনসহ; বিদ্যমান অডিও/ভিডিওর জন্য Transcribe a File (m4a, mp3, wav, aiff, caf, mp4, mov, flac) যখন কণ্ঠ আলাদা করা যায় তখন স্পিকার টার্নসহ; কাস্টম শব্দভাণ্ডার এবং Contacts ইমপোর্টসহ শব্দভাণ্ডার প্যাক; macOS-এর যেকোনো জায়গা থেকে সংশোধিত বানান সংরক্ষণের জন্য Quick Add; নাম দিয়ে ইমোজি ডিক্টেশন; ইংরেজিতে সংখ্যা, তারিখ এবং অর্থের নির্ধারিত ফরম্যাটিং; All/Dictations/Transcripts ফিল্টারসহ হিস্টোরি; মেনু বার উপস্থিতি; এবং Sparkle অটো-আপডেট। README নির্ভরযোগ্যতার কাজও নথিভুক্ত করে: ক্রিটিক্যাল পাথ (রেকর্ড, ট্রান্সক্রাইব, পেস্ট) ঐচ্ছিক বর্ধন থেকে আলাদা রাখা হয় যাতে পলিশ বা হিস্টোরি সংরক্ষণে ব্যর্থতা ডেলিভারি ব্লক না করে; একটি মাল্টি-স্টেপ পেস্ট পাথ স্ট্যান্ডার্ড পেস্টিং প্রতিরোধকারী অ্যাপগুলির জন্য স্বয়ংক্রিয়ভাবে ফলব্যাক করে; অনবোর্ডিং-এ Accessibility অনুমতি প্রয়োজন এবং প্রত্যাহার করা হলে পুনরায় পরীক্ষা করে; এবং স্পিচ ইঞ্জিন আলাদা হেল্পারের পরিবর্তে অ্যাপের ভিতরে চলে যাতে আইডল ফ্রিজ এড়ানো যায়। রিলিজগুলিকে সাইনড, নোটারাইজড এবং Gatekeeper-চেকড হিসেবে বর্ণনা করা হয়েছে। প্রয়োজনীয়তা হল macOS ১৪ (Sonoma) বা তার পরে এবং Apple Silicon (M1 বা নতুন)। ইনস্টলেশন Homebrew cask (saurabhav88/tap/enviouswispr) বা DMG ডাউনলোডের মাধ্যমে; Microphone, Accessibility এবং (প্রথম পেস্ট ফলব্যাকে) Automation-এর অনুমতি চাওয়া হয়। সোর্স থেকে বিল্ড করতে কম্পাইলেশনের জন্য Swift Package Manager ব্যবহার করা হয়, যেখানে রানযোগ্য .app Tuist এবং Xcode বিল্ড ইঞ্জিনের মাধ্যমে অ্যাসেম্বল করা হয়; রিলিজ DMG একটি স্ক্রিপ্ট দ্বারা তৈরি হয় যার জন্য সম্পূর্ণ Xcode ২৬+, mise এবং Tuist প্রয়োজন। README-তে আর্কিটেকচার নোটে একটি পাইপলাইন স্টেট মেশিন (idle, recording, transcribing, polishing, complete), অ্যাক্টর আইসোলেশনসহ Swift ৬ স্ট্রিক্ট কনকারেন্সি, ইচ্ছাকৃতভাবে আলাদা Parakeet এবং WhisperKit ব্যাকএন্ড, এবং একটি "Heart & Limbs" প্যাটার্ন বর্ণনা করা হয়েছে যেখানে ক্রিটিক্যাল পাথ কখনও ব্যর্থ হয় না এবং ঐচ্ছিক ফিচারগুলি সুন্দরভাবে ডিগ্রেড হয়। গোপনীয়তা: অডিও স্থানীয়ভাবে প্রসেস করা হয় এবং আপলোড করা হয় না, যদিও স্থানীয় রিকভারি সাময়িকভাবে অডিও ধরে রাখতে পারে। অ্যানোনিমাস প্রোডাক্ট অ্যানালিটিক্স (PostHog) এবং ক্র্যাশ রিপোর্টিং (Sentry) ডিফল্টভাবে চালু থাকে এবং প্রতিটি সেটিংসে বন্ধ করা যায়; ক্র্যাশ রিপোর্টে ডিক্টেটেড টেক্সট এবং অডিও অন্তর্ভুক্ত থাকে না। প্রকল্পটি অ্যাপ্লিকেশন কোডের জন্য GPLv3 লাইসেন্সপ্রাপ্ত, EG-1 মডেল ওয়েট একটি আলাদা কমিউনিটি মডেল লাইসেন্সের অধীনে যা পুনর্বিতরণ এবং প্রতিযোগী মডেল প্রশিক্ষণের জন্য ব্যবহার সীমাবদ্ধ করে। নাম এবং লোগো ট্রেডমার্ক।