A tecnologia por trás do DijiFlow: fala no dispositivo e Apple Silicon, explicados de forma simples
Apple Silicon5 min de leitura

A tecnologia por trás do DijiFlow: fala no dispositivo e Apple Silicon, explicados de forma simples

Como o DijiFlow Dictate transforma a sua voz em texto no seu próprio computador, com modelos de fala locais e o Apple Silicon. Explicado em linguagem simples.

A maioria dos apps de ditado parece mágica até você fazer a pergunta óbvia: para onde vai a minha voz? No DijiFlow Dictate, a resposta honesta é: para lugar nenhum. Você fala, o texto aparece no cursor, e nenhuma palavra vai para um servidor. Sem conta e sem envio do seu áudio ou do seu texto. Isso não é uma promessa de privacidade acrescentada no fim; é consequência de como o app foi construído.

Três peças bem conhecidas fazem tudo funcionar: o modelo de fala, que escuta; o ambiente de execução, que roda esse modelo com eficiência no Mac; e o Apple Silicon, o chip que faz tudo parecer instantâneo. Não é preciso conhecimento prévio: veja cada uma delas em termos simples.

  • ~34 MB
    de download do app para Mac
  • 300 MB–6 GB
    de modelo de fala, baixado uma vez
  • Neural Engine
    onde o trabalho acontece

O modelo de fala: transformar som em palavras

No centro do DijiFlow Dictate estão modelos de reconhecimento de fala que rodam no seu próprio computador. Em termos simples, um modelo de fala é um enorme identificador de padrões, treinado com uma quantidade gigantesca de áudios e das respectivas transcrições. Com esses dados, ele aprende como os sons que as pessoas produzem correspondem às palavras que elas querem dizer, com sotaques, ruído de fundo e as pausas naturais da fala real.

Quando você dita, o modelo prevê a sequência de palavras mais provável a partir do áudio do microfone, e ele faz isso muito bem. Em fala clara, chega a cerca de 98% de precisão, e o DijiFlow Dictate transcreve 29 idiomas com suporte completo e reconhece mais de 90 com a detecção automática. Como ele lê o contexto, em vez de identificar uma palavra de cada vez, lida bem com o jeito desorganizado como as pessoas falam de verdade.

Por que o modelo é baixado à parte

Esta é a parte que surpreende: o app e a inteligência são dois arquivos diferentes. No Mac, o DijiFlow Dictate em si é pequeno, com cerca de 34 MB. Os modelos de fala são a parte pesada e vão de uns 300 MB a 6 GB, conforme o modelo escolhido. No Pro e no teste, o “Grande” é o mais preciso, o “Expresso” chega perto dele e é mais rápido, e o “Rápido” é o mais ágil de todos, em 16 idiomas, inclusive o inglês; a versão gratuita usa o “Padrão” e o “Aprimorado”. Você escolhe o equilíbrio entre velocidade e precisão que combina com você.

Você baixa um modelo uma vez; depois disso, a transcrição não precisa de internet. É justamente esse passo único que permite que a sua voz fique no seu computador.

O ambiente de execução: rodar o modelo com eficiência

Um modelo de fala só é útil se rodar rápido sem esgotar a bateria. Essa é a função do ambiente de execução, a camada que roda modelos de aprendizado de máquina no próprio dispositivo. Pense nele como um tradutor e um controlador de tráfego ao mesmo tempo: ele pega um modelo de fala e descobre como executá-lo usando as partes mais adequadas do seu hardware.

No Mac, os modelos de fala do DijiFlow Dictate são compilados para o framework de aprendizado de máquina da própria Apple, que faz parte do macOS. Assim, o modelo é otimizado especificamente para o hardware da Apple, em vez de rodar como código genérico e mais lento, e o ditado acompanha a fala natural sem pesar no sistema. E tudo acontece localmente: esse framework não é um serviço na nuvem. Ele faz parte do sistema operacional e permite que os apps rodem modelos de aprendizado de máquina com privacidade, no próprio dispositivo.

Apple Silicon: o chip que faz tudo parecer instantâneo

A última peça é o hardware. Nos Macs modernos, isso significa Apple Silicon, os chips da série M em computadores com macOS 14 ou mais recente. Esses chips têm um Neural Engine dedicado, uma parte do processador criada especificamente para rodar modelos de aprendizado de máquina com rapidez e pouquíssimo consumo de energia, com a GPU disponível via Metal quando é preciso mais potência.

Você não precisa configurar nada disso. O framework distribui o trabalho entre as partes certas do hardware automaticamente; você só fala, e o chip cuida do resto em tempo real. Essa é a vantagem discreta de rodar tudo no dispositivo: o mesmo chip que deixa o seu Mac ágil é o que torna o ditado privado viável na prática.

O processo completo, do começo ao fim

Coloque as três peças em ordem e o caminho é curto, e totalmente local.

  1. Você fala

    O áudio do microfone é captado no dispositivo e nunca é transmitido para lugar nenhum.

  2. O modelo de fala roda no Neural Engine

    O modelo transforma som em palavras ali mesmo, no Apple Silicon, em tempo real.

  3. O texto aparece no cursor

    As suas palavras aparecem no app em que você já está. Elas não são enviadas a lugar nenhum, então não há nada para vazar.

Em resumo

O modelo fica no seu computador, então a transcrição é só um cálculo feito localmente: não há servidor no meio para guardar, interceptar ou reter a sua voz sem você saber.

Baixe uma vez e transcreva no seu dispositivo

A maioria das ferramentas de voz são serviços na nuvem com ícone de app: precisam de conexão e de conta toda vez, porque o modelo que entende você fica no hardware de outra empresa. O DijiFlow Dictate inverte isso: você instala uma vez, e o trabalho passa para o seu chip.

Como funciona DijiFlow (no dispositivo) Ditado na nuvem
Funciona depois de um único download ✓ ✗
Transcreve sem internet ✓ ✗
Não exige conta ✓ ✗
O áudio fica no seu dispositivo ✓ ✗

E além do Mac

A mesma abordagem vale para o Windows 10 e 11, em que o DijiFlow Dictate roda em GPUs AMD, Intel e NVIDIA. As placas NVIDIA precisam do CUDA e de um driver atualizado, mas o princípio é o mesmo: a sua fala é transcrita localmente, e a sua voz e o seu texto não são enviados.

Nenhum truque, só boa engenharia

Não há nada de exótico acontecendo aqui. O DijiFlow Dictate é construído com tecnologia aberta e bem conhecida: modelos de fala para escutar, o framework de aprendizado de máquina da Apple como ambiente de execução e o Apple Silicon como hardware. A decisão que importa é manter tudo isso no seu dispositivo, para que você tenha a praticidade do ditado moderno sem nunca entregar a sua voz a ninguém, na versão gratuita, no teste e no Pro.

Se você prefere sentir na prática a ler sobre isso, experimente o ditado privado no dispositivo grátis por 30 dias com o plano Pro.

DijiFlow DictateDijiFlow Dictate

A Equipe DijiFlow Dictate

Notas sobre ditado privado e no dispositivo, e sobre como produzir mais usando a voz.