Pytania, które przychodzą.

Tak. Kod Yappy jest otwarty, na licencji MIT. Możliwość odsłuchania tego, co się czyta, to kwestia dostępności, a narzędzia dostępności nie powinny prosić o kartę. Na komputerze nie ma wersji płatnej ani reklam. Na iPhonie papuga próbna trzyma na swojej grzędzie trzy dokumenty naraz, bez limitu czasu; jeśli chcesz grzędę bez dna, drukarnię audiobooków i most do komputera, wszystko nakręca Yappy Parlanchín — w subskrypcji albo za jednorazową opłatę dożywotnią. Tak czy inaczej: bez konta i bez reklam.

Nie ma haczyka: nie ma serwerów do opłacenia. Synteza działa na twoim urządzeniu, więc Yappy nie ma kosztu na użytkownika. To osobisty projekt autora, opublikowany, bo już istniał i jeszcze komuś by się przydał.

Nie, i to celowo. Grzęda na trzy dokumenty jest próbą: nie wygasa po siedmiu dniach ani nie zmienia się wtedy w opłatę. Jeśli Yappy ci się przyda, sam się o tym przekonasz — nikt nie musi ci stawiać zegarka pod nosem.

Kod Yappy jest na licencji MIT i nie stawia ci żadnych warunków. Model głosu, Supertonic 3, ma własną licencję: otwartą licencję typu OpenRAIL-M, z klauzulami użycia. Przejrzyj ją na stronie modelu przed użyciem komercyjnym: ta część nie zależy od Yappy i nie możemy obiecywać niczego w jej imieniu.

Nie. Synteza, transkrypcja i wyciąganie artykułów dzieją się na twoim urządzeniu. To, co udostępniasz Yappy, nigdzie nie wychodzi: nie ma kont, nie ma kopii, a serwer Yappy, na którym mogłyby się zapisywać, po prostu nie istnieje. Z sieci korzystają tylko cztery konkretne rzeczy — wszystkie są opisane w polityce prywatności.

Tak, zbiera, i nie ma co owijać w bawełnę. Aplikacja na telefon wysyła anonimowe statystyki użytkowania: fabrycznie są włączone, a wyłączysz je w zakamarkach ustawień. Przez sieć idzie nazwa zdarzenia z zamkniętej listy (że włączono aplikację, który krok pierwszego oprowadzania jest na ekranie, którego planu się dotyka, czy czytanie dobiegło końca), losowy identyfikator instalacji, język i wersja. Nigdy twojego imienia, adresu e-mail, czytanego tekstu, tytułu dokumentu ani linku. I żadnego identyfikatora reklamowego. Nie trafiają ani do Google, ani do Firebase, ani do żadnej firmy analitycznej: lądują u samego autora — w Workerze i bazie danych D1 na Cloudflare. Na komputerze nie ma statystyk żadnej maści.

To bezpośrednie połączenie między twoimi dwoma urządzeniami, szyfrowane od końca do końca QUIC-em i prowadzone protokołem iroh. Parowanie: celujesz aparatem telefonu w kod QR, który pokazuje komputer. Powstały klucz możesz w każdej chwili unieważnić właśnie tam. Między nimi nie stoi żaden serwer Yappy, bo żaden serwer Yappy nie istnieje.

Tak, na zawsze. Po pierwszym pobraniu modelu — ok. 200 MB na telefonie, ok. 398 MB na komputerze — Yappy działa w trybie samolotowym: wklejasz tekst, otwierasz dokumenty, syntetyzujesz, eksportujesz. Sieć jest potrzebna tylko do dzielenia się nowymi adresami — z oczywistych powodów. Nie ma też synchronizacji z chmurą: twoja biblioteka mieszka na twoim urządzeniu, a most to najbliższy odpowiednik przekazania czegoś z jednej maszyny na drugą.

Supertonic 3 — otwarty model od Supertone, ok. 99 mln parametrów. Mieści się w 398 MB na komputerze i 200 MB na telefonie, a syntetyzuje szybciej niż w czasie rzeczywistym na każdym laptopie z ostatnich lat. Pracuje na poziomie znaków: dlatego istnieje skryptor, który zamienia liczby, skrótowce i symbole na słowa, zanim głos je zobaczy.

Niemiecki, arabski, bułgarski, czeski, koreański, chorwacki, duński, słowacki, słoweński, hiszpański, estoński, fiński, francuski, grecki, hindi, węgierski, indonezyjski, angielski, włoski, japoński, łotewski, litewski, niderlandzki, polski, portugalski, rumuński, rosyjski, szwedzki, turecki, ukraiński i wietnamski. Trzydzieści jeden. A te dziesięć głosów jest wielojęzycznych: ten sam głos czyta je wszystkie, nie zmieniając barwy.

Yappy rozpoznaje język dokumentu, a potem, akapit po akapicie, język każdego fragmentu: angielski cytat w polskim eseju zostanie przeczytany po angielsku, tym samym głosem, a ty nie ruszysz palcem. Gdy rozpoznawanie się pomyli, język ustawisz ręcznie.

Czytniki systemowe czytają ekran takim, jaki jest: systemową prozodią i bez pamięci. Yappy najpierw przygotowuje tekst (czyści artykuł, zamienia liczby i skrótowce na słowa, stawia pauzy), potem czyta go naturalnym głosem, pamięta, gdzie skończyłeś, eksportuje audiobooki i gra dalej przy zablokowanym ekranie. To narzędzia-krewniacy, każdy z innym fachem, i mogą działać naraz, nie przeszkadzając sobie. Yappy nie zastępuje czytnika ekranu — i nie próbuje.

Artykuły z sieci (strona czyści się sama), filmy na podstawie opublikowanej transkrypcji, PDF, EPUB, Word, ODT, RTF, Markdown, zwykły tekst, .pptx, .xlsx, .csv i notatki głosowe. Na telefonie wszystko przez arkusz udostępniania; na komputerze dodatkowo przez przeciągnięcie albo skróty klawiszowe. A jeśli na komputerze jest zainstalowany pandoc, lista rośnie o LaTeX, reStructuredText, Org i kilka dalszych.

Na komputerze przechodzą najpierw przez lokalny OCR, zanim zostaną przeczytane, i nawet wtedy nic nie opuszcza twojego komputera. Na iPhonie — jeszcze nie: jeśli PDF to zdjęcie kartki, telefon nie znajdzie tekstu do przeczytania. Krzywy albo rozmazany skan da tyle, ile da każdy OCR, ale przyzwoity zostanie przeczytany od deski do deski.

Tylko te, które da się otworzyć. EPUB bez zabezpieczeń czyta się w całości, razem z rozdziałami. Książek z DRM ze sklepu nie da się przeczytać — ani tutaj, ani nigdzie indziej: ta kłódka nie należy do Yappy, a udawać, że mamy klucz, nie będziemy.

Prosto z biblioteki: każdy dokument ma swoją opcję „zapomnij”, a razem z nim znika też jego dźwięk. Wyeksportowane pliki (.m4b, .mp3, .wav) są twoje i zostają tam, gdzie je zapisano; usuwanie i przenoszenie to już sprawa Findera albo Plików.

Za pierwszym razem model ładuje się do pamięci. Potem jest już rozgrzany i kolejne zdania powstają od ręki. Jeśli aplikacja na komputerze jest świeżo zainstalowana, do pierwszego czekania dochodzi jeszcze pobranie modelu głosu.

Nie ma słownika wymowy edytowanego przez użytkownika, więc najszybsza droga to zapisać w edytorze słowo tak, jak brzmi: model czyta znaki i posłucha cię. Jeśli to ogólna zasada (skrót, skrótowiec, jednostka), napisz o tym w zgłoszeniach na GitHubie: tabele fonetyzatora rosną o takie przypadki.

Yappy korzysta z opublikowanej transkrypcji filmu, nie transkrybuje jego dźwięku. Jeśli film nie ma transkrypcji, nie ma czego czytać. A jeśli film jest twój i masz go w pliku, udostępnij plik: wtedy transkrybuje go lokalne ucho.

W zgłoszeniach na GitHubie albo na adres [email protected]. Z tekstem, na którym występuje błąd — jeśli możesz go udostępnić — i z informacją o systemie naprawa przychodzi szybciej.