La tecnologia dietro DijiFlow: riconoscimento vocale sul dispositivo e Apple Silicon, spiegati in modo semplice
Apple Silicon5 min di lettura

La tecnologia dietro DijiFlow: riconoscimento vocale sul dispositivo e Apple Silicon, spiegati in modo semplice

Come DijiFlow Dictate trasforma la tua voce in testo sul tuo computer, con modelli vocali in locale e Apple Silicon. Spiegato con parole semplici.

Quasi ogni dettatura sembra una magia, finché non ti fai la domanda più ovvia: dove va a finire la mia voce? Con DijiFlow Dictate la risposta onesta è: da nessuna parte. Parli, il testo compare al cursore e nemmeno una parola arriva a un server. Nessun account e nessun caricamento di audio o testo. Non è una promessa sulla privacy aggiunta alla fine: è una conseguenza di come è costruita l'app.

A farla funzionare sono tre componenti ben noti: il modello vocale, che ascolta; il runtime, che lo esegue in modo efficiente sul Mac; e infine Apple Silicon, il chip che rende tutto immediato. Non serve alcuna conoscenza tecnica: ecco ciascun componente spiegato in parole semplici.

  • ~34 MB
    download dell'app per Mac
  • 300 MB–6 GB
    modello vocale, scaricato una volta
  • Neural Engine
    dove si svolge davvero il lavoro

Il modello vocale: dai suoni alle parole

Al cuore di DijiFlow Dictate ci sono modelli di riconoscimento vocale che girano sul tuo computer. Un modello vocale è, in parole semplici, un enorme sistema di riconoscimento di schemi, addestrato su quantità sterminate di audio abbinato alla relativa trascrizione. Da quei dati impara come i suoni che le persone producono corrispondono alle parole che intendono, tra accenti diversi, rumore di fondo e le pause naturali del parlato reale.

Quando detti, il modello prevede la sequenza di parole più probabile a partire dall'audio del microfono, e lo fa davvero bene. Con un parlato chiaro raggiunge circa il 98% di precisione, e DijiFlow Dictate supporta pienamente 29 lingue e, con il rilevamento automatico, ne riconosce oltre 90. Poiché legge il contesto invece di abbinare una parola alla volta, se la cava bene con il modo disordinato in cui le persone parlano davvero.

Perché il modello si scarica a parte

È la parte che sorprende di più: l'app e l'intelligenza sono due file distinti. Su Mac, l'app DijiFlow Dictate in sé è piccola, circa 34 MB. La parte pesante sono i modelli vocali, che vanno da circa 300 MB a 6 GB a seconda di quello che scegli. In Pro e durante la prova, «Grande» è il più preciso, «Express» gli si avvicina ed è più veloce, e «Veloce» è il più rapido ed è disponibile in 16 lingue, inglese compreso. La versione gratuita usa i modelli «Standard» e «Migliorato». Scegli tu l'equilibrio tra velocità e precisione che fa per te.

Il modello si scarica una volta sola; dopo, la trascrizione non ha più bisogno di internet. È proprio questo passaggio unico a permettere alla tua voce di restare sul tuo computer.

Il runtime: eseguire il modello in modo efficiente

Un modello vocale è utile solo se gira veloce senza prosciugare la batteria. È il compito del runtime, lo strato che esegue i modelli di machine learning direttamente sul dispositivo. Immaginalo come un interprete e un vigile del traffico insieme: prende un modello vocale e capisce come farlo girare usando le parti più adatte del tuo hardware.

Sul Mac i modelli vocali di DijiFlow Dictate sono compilati per il framework di machine learning di Apple, che fa parte di macOS. Così il modello è ottimizzato proprio per l'hardware Apple invece di girare come codice generico e più lento, e la dettatura tiene il passo del parlato naturale pesando poco sulle risorse del sistema. E tutto avviene in locale: quel framework non è un servizio cloud, ma una parte del sistema operativo che permette alle app di eseguire modelli di machine learning in modo privato, direttamente sul dispositivo.

Apple Silicon: il chip che rende tutto immediato

L'ultimo componente è l'hardware. Sui Mac recenti significa Apple Silicon, cioè i chip della serie M nei Mac con macOS 14 o successivo. Questi chip includono un Neural Engine dedicato, una parte del chip progettata apposta per eseguire modelli di machine learning in fretta e con pochissima energia, mentre la GPU resta disponibile tramite Metal quando serve potenza in più.

Non devi configurare niente di tutto questo. Il framework distribuisce automaticamente il lavoro sull'hardware giusto: tu parli e il chip se ne occupa in tempo reale. È il vantaggio silenzioso dell'elaborazione sul dispositivo: gli stessi chip che rendono reattivo il tuo Mac sono quelli che rendono pratica una dettatura privata.

Il percorso completo, dall'inizio alla fine

Metti in fila i tre componenti e il percorso è breve, e interamente locale.

  1. Parli

    L'audio del microfono viene acquisito sul dispositivo e non viene trasmesso da nessuna parte.

  2. Il modello vocale gira sul Neural Engine

    Il modello trasforma i suoni in parole direttamente su Apple Silicon, in tempo reale.

  3. Il testo compare al cursore

    Le parole appaiono nell'app in cui stai già lavorando. Non vengono inviate altrove, quindi non c'è nulla che possa trapelare.

In sintesi

Il modello vive sul tuo computer, quindi la trascrizione è semplicemente un calcolo locale: non c'è nessun server di mezzo che possa conservare, intercettare o trattenere di nascosto la tua voce.

Scarichi una volta, poi trascrivi sul dispositivo

La maggior parte degli strumenti vocali sono servizi cloud travestiti da app: hanno bisogno ogni volta di una connessione e di un account, perché il modello che ti capisce vive sull'hardware di qualcun altro. DijiFlow Dictate ribalta la situazione: installi una volta e il lavoro si sposta sul tuo chip.

Come si comporta DijiFlow (sul dispositivo) Dettatura nel cloud
Funziona dopo un unico download ✓ ✗
Trascrive senza internet ✓ ✗
Nessun account richiesto ✓ ✗
L'audio resta sul tuo dispositivo ✓ ✗

E oltre il Mac

Lo stesso approccio sul dispositivo vale anche per Windows 10 e 11, dove DijiFlow Dictate funziona con schede grafiche AMD, Intel e NVIDIA. L'hardware NVIDIA richiede CUDA e un driver aggiornato, ma il principio è identico: la tua voce viene trascritta in locale, e voce e testo non vengono inviati altrove.

Nessun trucco, solo buona ingegneria

Non succede niente di esotico. DijiFlow Dictate si basa su tecnologie aperte e ben conosciute: modelli vocali per l'ascolto, il framework di machine learning di Apple come runtime e Apple Silicon come hardware. La scelta che conta è tenere tutto sul tuo dispositivo, così hai la comodità della dettatura moderna senza mai consegnare la tua voce a nessuno, nella versione gratuita, durante la prova e in Pro.

Se preferisci provarla invece di leggerne, puoi usare gratis per 30 giorni la dettatura privata sul dispositivo con il piano Pro.

DijiFlow DictateDijiFlow Dictate

Il team di DijiFlow Dictate

Appunti sulla dettatura privata e in locale, e su come fare di più con la voce.