タグ: Linux

自分のLinux PCに日本語音声認識の環境を構築した。今日の日記は完全にその方法で全部書いてみたい。ということにすると言い間違いの部分を訂正することができないので文章が不自然になったり誤字が残ったりしそうで怖いそもそもなんでそういうことをしようと思ったのかというと、VSコードのクライン君に指示を出すときに、キーボードからタイピングするのではもう遅すぎるなと感じたからだ。せっかく言語指示に対しては爆速で反応してくれるのだから、それ以外の場所もどんどんスピードアップしていこうと思った。

最初はVS Code Speechの拡張機能を試してみたのだが、エディターに対する入力ができるものの、フラインの拡張機能に対する入力ができない感じだった。コパイロットチャットに対する入力はできるのにクライアントにはできないというのはなんだかケチな感じがする

それはともかく、OSレベルで入力できた方がいいと思ったので、P1ノートを使うことにした。Speech NotePeach to Text Engineとしては、Fastor Whisper Large V3 Turboを採用。CPUのアクセラレーションを有効にすれば、変換の時間はとても短い。GPUね。なんだけど、別のアプリケーションに対して文字を入力するという機能を使っているので、 変換は早く終わるけれども、別のアプリケーションに入力するところに結構ラグがあるようだ。

変換の精度はご覧の通り相当高いと言っていいと思うが、プログラミングで使う英語名なんかはうまく変換してくれないこともままある。もう一度言っておくけれども、これは本当に音声認識の出力をそのまま入力した文章で一切の訂正をしていないので、凄いよねで移動精度が高いと言っているんですが とても短い文章はむしろうまく変換できないことが多い英語名の問題に関しては、ある程度適当に突っ込んでもクロード君が何とかしてくれることが多い。

さて、ここまでこの調子で日記を書いてきて、まして音声認識の入力が効率的か早いかと言われると微妙なところ。もちろん決まりきった文章を出力するという点では ピンクより早いと思うんだけれど特にプログラミングのような複雑な思考に関しては、思考の道筋が必ずしも文章のシーケンシャルではないので思いついたアイディアを文章の形に成形している段階で考えていたことを忘れてしまったりする。いや冷静にこれ俺喋るの下手なだけかもちろんラグの問題もあるあとは音声という形で出力をするので、耳からの音声入力と干渉が発生しやすくて、適当なものを聞きながら口で全く別の内容を出力するというのはとても難しい。BGMが効けない

でもこの方法にどんどん慣れていったら だんだん面白い感じになってくる いい感じになってくるんじゃないかなと思いますね

今日の昼ご飯はゴロゴロした肉が食べたいなと思ったので、松屋のゴロゴロチキンカレーでした。ゴルゴルはひらがらなんだよなおやすみ

普段はLTSしか使わないのだが、なんかやりたい気持ちになったので珍しく奇数系を入れてみた。

https://www.ubuntulinux.jp/News/ubuntu2304-ja-remix

をUSBメモリに焼いて（今はUbuntu公式でもEtcher使えって書いてるんですね、昔はUbuntuにUbuntuのイメージを焼くためのソフトウェアが付属していた気がするが）、PC再起動。

インストールの手順については、特に変化はなさそう。今回はLVM使用、ディスク暗号化をつけてみた。

gnome-text-editorで日本語入力できない

毎度の鬼門（と言いつつ、熱心な日本Ubuntuユーザーが結構情報を残してくれているので言うほどではない）。こちらのページが参考になった。

https://www.kkaneko.jp/tools/server/gnome_ja_input_method.html

注意点として、23.04では（正確には22.10から）はgeditに代わってgnome-text-editorというソフトウェアが入っている。こいつがfcitxとの相性が悪いのか、日本語変換が一切効かない（日本語入力モードに入れない）。シェルから開いてみるとこんなエラーメッセージが残されていた。

(gnome-text-editor:9858): Gtk-WARNING **: 03:13:56.134: No IM module matching GTK_IM_MODULE=fcitx found

意味はよくわからないのだが、fcitxを使えと言われているがgnome-text-editorがそれを理解できていないように見える。実際にはgnome-text-editorのリポジトリにこのようなエラーメッセージはなさそうなので、GTK自体に何らかの問題があるのかもしれない。

20230507追記

fcitxじゃなくてfcitx5を入れると問題が起きなかった。

vscodeで日本語入力時に確定するまで文字が表示されない

確定するまでは変換ボックスを見ないと入力中の文字が確認できず、Enterで確定すると一気にエディタ上に文字が追加される状態になった。これはUbuntu Softwareからデフォルトのsnapで入れていたのが悪いので、消してdebで入れ直したら直った。

bluetoothヘッドホンで音が鳴らない・途切れる・汚い

Linuxでbluetoothヘッドホンを使うのはコツがいる。僕が使ってるのはWH-1000XM4ね。

まず音が途切れるのはドライバのバッファリングが下手くそなせいなので、pavucontrol→出力デバイス→WH-1000XM4→高度な設定でLatency offsetを10msくらいにしてやる。ほんの少しでも設定してやるといい感じになる。

音が汚いのはコーデックがHSPになっているから。bluetoothヘッドホンの通信コーデックにはA2DPとHSPがあり、前者は聞く専用で高音質、後者はヘッドホンの付属マイクからの音声入力も可能だが音質は悪い。なのでA2DPに設定してやることで解決（これはbluemanからでも標準のbluetooth設定からでも、たぶんCLIからでもできる）。

音が鳴らないのは今回初めて遭遇した。HSPでの接続は可能だったがA2DPが選べなかったり、A2DPにすると音が鳴らなくなったりした。これは理由が不明だが、ペアリング直後にbluemanからA2DPに設定してやることで解決した。

ストレージデバイスのマウント

今回はなるべくGUIでやっちゃうのを目標にした。普段はストレージデバイスのマウントは/etc/fstabを手で編集してやっているが、今回は「ディスク」から。デバイス→パーティションを選択して、歯車マークのメニューから「マウントオプションを編集」でGUIからマウントを設定できる。ここで設定した内容がfstabに書き込まれていた。

やはり奇数系のUbuntuを使うのはエキサイティングだ。時間のあるときに限るが、楽しいんだこれが。

1/21（火）

スマホFTJ161BはBluetoothを有効にしているとwifiが断続的にしか通信できなくなる。

Ubuntu18.04+GTX1060でKrita4.2.8を動かすとき、ドライバのバージョンは440だとキャンバスのグラフィックアクセラレーションが効かず、ズームや回転がカクカクになる。435に戻すと直った。

1/5（日）

ランチに少し歩いたところの家系ラーメンに。味が濃く、魚介の風味もあった。ライスはおかわりはできないので最初に大森で頼むべきだった。銭湯はしょうが湯。早い時間に行ったので混んでいてあまりゆっくりできなかった。

今日が正月休暇の最終日だ。今年は帰省もせず、のんびりとしていた。悪くはなかったが退屈でもあったので、同じ退屈なら帰省してもよかったかもしれない。

法律上今年度中にあと2日休暇を取らねばならない。それとは別に繰り越せない休暇も2日ある。適当な祝日に合わせてどこかでまた9連休を生成することになりそうだ。

LinuxでWindows向けのゲームをやりたいときはLutrisというソフトを使う。Lutrisがなんであるかというのを説明するのは難しいのだが（公式にはgaming platformを名乗っている）、ゲームごとにどのバージョンのwineをどんな設定で使うかというのを管理できるソフトだ。

Detroit: Become HumanのPC版が12月に出ていたらしい。ぜひプレイすべきと勧められていたのと、新年で安くなっていたので購入し、Lutrisでのプレイを試みた。ダイアログに求められるまま依存パッケージをインストールし、d9vkをセットアップした。その結果起動には成功した。FPSも良好だ。しかしWASD移動ができない。キー入力が死んでいるわけではないのだが、ゲーム中に移動だけができない。不思議だ。しかしもう一歩だ。