تصور کنید بتوانید هر چه در ذهن دارید را با سرعت fala و بدون هیچ نگرانی از بابت حریم خصوصی، مستقیماً به متن تبدیل کنید. اگر از کاربران مک هستید، ابزار جدیدی معرفی شده است که دیکتهٔ صوتی را از یک تجربه کند و وابسته به اینترنت، به یک قابلیت آنی و محلی تبدیل می‌کند.
Yap یک اپلیکیشن متن‌باز با حجم بسیار کم (۴ مگابایت) است که طبق اعلام توسعه‌دهنده در ۲۷ ژوئیه ۲۰۲۶ منتشر شد. این ابزار به‌جای استفاده از مدل‌های محلی سنگین، از قابلیت‌های بومی سیستم‌عامل استفاده می‌کند تا تبدیل گفتار به متن را در هر کادری به صورت آنی انجام دهد.
بسیاری از ابزارهای دیکتهٔ متن‌باز فعلی با یک تضاد همیشگی روبه‌رو هستند: یا اشتراک‌های گران‌قیمت می‌خواهند یا کاربر را مجبور به دانلود مدل‌های حجیم می‌کنند. برای مثال، مدل‌های Whisper می‌توانند صدها مگابایت از رم را اشغال کنند و اغلب در مک‌های قدیمی با پردازنده اینتل باعث کرش سیستم می‌شوند؛ همین موضوع سد راه کاربرانی است که هم به دنبال حریم خصوصی هستند و هم سخت‌افزار قدرتمندی ندارند. این چالش در ابزارهای مشابه نیز دیده می‌شود، مشابه آنچه در رویکرد Lisup AI برای آوردن ویرایش صوتی به اپلیکیشن‌های دسکتاپ مشاهده شد تا دسترسی به متن صوتی تسهیل گردد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی رایانش لبه (Edge Computing) اشاره کردیم، جابه‌جایی پردازش از سرور به دستگاه، کلید بهره‌وری است. Yap این مسئله را با هدف قرار دادن macOS 26 (Tahoe) حل کرده است. بر اساس مستندات مخزن گیت‌هاب، این نسخه از مک دو API مشخص به نام‌های SpeechAnalyzer و SpeechTranscriber را معرفی کرده است که به سیستم‌عامل اجازه می‌دهد مدل‌های استریم تبدیل گفتار به متن را به‌صورت داخلی مدیریت کند. چون سیستم‌عامل مدل‌ها را مدیریت می‌کند، اپلیکیشن قبل از بیان اولین کلمه، هیچ داده‌ای را در حافظه بارگذاری نمی‌کند.
عملکرد فنی و محک‌ها
تیم Frigade یک مقایسهٔ مستقیم بین Yap و مدل Whisper Small را با استفاده از ۵٬۵۵۹ کلیپ صوتی LibriSpeech ارائه داده است. نتایج نشان می‌دهد مدل بومی اپل نه‌تنها سریع‌تر، بلکه دقیق‌تر است:
- صوت‌های شفاف: نرخ خطای کلمه (Word Error Rate) ۲.۱۲ درصد (در مقابل ۳.۷۴ درصد برای Whisper Small).
- صوت‌های نویزی: نرخ خطای کلمه ۴.۵۶ درصد (در مقابل ۷.۹۵ درصد برای Whisper Small).
- سرعت: این چارچوب بومی تقریباً ۳ برابر سریع‌تر از جایگزین Whisper اجرا می‌شود.
ویژگی‌های کلیدی و گردش‌کار
این برنامه در نوار منو (Menu Bar) قرار می‌گیرد و با یک میان‌بر جهانی (پیش‌فرض ⌘⇧D) فعال می‌شود. پس از فعال‌سازی، پنجره‌ای کوچک در پایین صفحه ظاهر می‌شود که شکل موج صدا و پیش‌نمایش لحظه‌ای متن را نشان می‌دهد. با فشار دادن مجدد میان‌بر، متن مستقیماً در برنامه‌ای که باز است Paste می‌شود.
جزئیات عملکردی مهم عبارتند از:
- تاریخچه محلی: تمام متون تبدیل‌شده برای بازیابی‌های بعدی به‌صورت محلی ذخیره می‌شوند.
- سفارشی‌سازی: کاربران می‌توانند میان‌برها را تغییر دهند یا از کلیدهای اصلاح‌کننده (مانند Shift راست) استفاده کنند.
- صفر-تله‌متری: اپلیکیشن هیچ تماس شبکه‌ای برقرار نمی‌کند و نیازی به حساب کاربری یا کلید API ندارد.
- ردپای سبک: این برنامه با زبان Swift نوشته شده و در حالت آماده‌به‌کار تنها ۶۰ مگابایت رم اشغال می‌کند.
ظرافت‌های پیاده‌سازی
برای اطمینان از کارکرد ابزار در تمام برنامه‌ها، از جمله مرورگرهای مبتنی بر کرومیوم، Yap از یک توالی خاص کلیپ‌بورد استفاده می‌کند. برنامه متن را در کلیپ‌بورد می‌نویسد، دستور ⌘V را از طریق System Events اجرا می‌کند و سپس محتوای قبلی کلیپ‌بورد را بازیابی می‌کند. توسعه‌دهندگان اشاره کرده‌اند که به‌دلیل خواندن نامتقارن داده‌ها در برنامه‌های کرومیوم، یک تأخیر عمدی قبل از بازیابی داده‌های قدیمی لازم است.
به دلیل نیاز به کنترل System Events و خواندن عناصر رابط کاربری، این برنامه نمی‌تواند در محیط Sandbox قرار بگیرد. این یک محدودیت استاندارد برای مدیریت‌کننده‌های کلیپ‌بورد در مک است و به همین دلیل Yap خارج از اپ‌استور مک توزیع می‌شود تا محدودیت‌های Sandbox مانع عملکرد آن نشود.
نصب و الزامات
برای استفاده از Yap، داشتن macOS 26 یا نسخه‌های جدیدتر الزامی است. نصب از طریق Homebrew یا فایل dmg در گیت‌هاب امکان‌پذیر است و کسانی که قصد ساخت از طریق سورس را دارند به Xcode 26 نیاز دارند.
در اولین اجرا، برنامه چهار مجوز می‌خواهد: دسترسی به میکروفون، بازشناسی گفتار (Speech Recognition) برای تبدیل محلی، دسترسی‌پذیری (Accessibility) برای شناسایی برنامه فعال و اتوماسیون برای چسباندن متن. مجوزهای Accessibility باید به‌صورت دستی در تنظیمات سیستم تایید شوند.
این چرخش به سمت استفاده از مدل‌های AI در سطح سیستم‌عامل، نشان‌دهنده روند گسترده‌تری در رایانش لبه (Edge Computing) — یعنی پردازش داده‌ها در نزدیکی منبع تولید به‌جای ارسال به سرورهای دور — است. این رویکرد برای بهینه‌سازی جریان‌های صوتی در مقیاس بزرگ حیاتی است، همان‌طور که در معماری Audio Gateway برای تفکیک رسانه از کسب‌وکار جهت دستیابی به صدای روان بررسی شده بود. با حذف نیاز به بسته‌بندی مدل‌ها در داخل اپلیکیشن، توسعه‌دهندگان می‌توانند ابزارهایی بسازند که حجمشان به‌شدت کم است اما از بهینه‌سازی‌های سخت‌افزاری اپل در سطح هسته (Kernel) بهره می‌برند.
برای کاربر، این یعنی ابزار دیکته‌ای در سطح حرفه‌ای که به‌جای یک افزونه سنگین، بخشی از خودِ سیستم‌عامل است. این تغییر، تبدیل پرامپت‌نویسی برای عامل‌های کدنویسی یا پیش‌نویس ایمیل‌ها را از یک کار دشوار تایپی به یک جریان صوتی روان تبدیل می‌کند.
گام بعدی شما
- اگر کاربر macOS 26 هستید، این ابزار را از طریق
brew install --cask frigadehq/tap/yapامتحان کنید. - برای افزایش سرعت بهره‌وری، میان‌بر ⌘⇧D را به روتین نوشتن ایمیل‌ها اضافه کنید.
- اگر توسعه‌دهنده هستید، مستندات SpeechAnalyzer را بررسی کنید تا ببینید چه وظایف AI دیگری را می‌توان به سیستم‌عامل سپرد.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Neural Engine اپل مراجعه کنید.
گفتگو