ESP32-P4 mostra reconhecimento de voz em inglês totalmente offline

Reconhecimento de voz em inglês, em tempo real, a correr num ESP32-P4 sem internet nem placa de IA ao lado. É isto que o projeto open source esp32-pie-asr está a provar, abrindo espaço para comandos por voz em gadgets baratos que não precisam de falar com a cloud a cada frase.

Segundo o Open Source For You, o esp32-pie-asr foi desenvolvido por Boumedine Billal e corre diretamente no microcontrolador da Espressif. Converte fala em texto à medida que a pessoa fala, com legendas em tempo real num pequeno ecrã, e inclui seis demonstrações de controlo por voz: desde luzes de casa inteligente a um aspirador robot e a controlos para o habitáculo de um carro. Tudo sem enviar um byte de áudio para servidores externos.

No centro do projeto está o Kroko, um modelo de reconhecimento de fala em fluxo contínuo com 65,7 milhões de parâmetros, desenvolvido pela Banafo. A versão original pesa cerca de 71MB em pesos, demasiado para a memória disponível da placa. Para o enfiar num ESP32-P4, o programador aplicou quantização de pesos a dois e quatro bits, reduzindo o modelo para 26,65MB. Estes pesos comprimidos ficam numa microSD e são carregados para os 32MB de PSRAM da placa no arranque. Depois, o motor de fala usa os dois cores RISC-V do ESP32-P4 e as instruções SIMD PIE específicas do processador para fazer as contas todas localmente.

Nos testes reportados pelo próprio desenvolvedor, o sistema processa 1,28 segundos de áudio em cerca de 0,90 segundos, portanto ligeiramente mais rápido do que tempo real. Uma palavra fica normalmente “fechada” cerca de dois segundos depois de ser dita, o que é aceitável para comandos e legendas básicas, mesmo se não for instantâneo ao nível de um telemóvel topo de gama. Num teste padrão LibriSpeech test-clean, esta implementação registou uma taxa de erro de palavra de 4,34 por cento, usando beam search com quatro hipóteses. Em termos de investigação de reconhecimento de fala isto é sólido, sobretudo tendo em conta o hardware minimalista em causa, mas convém lembrar que são números fornecidos pelo autor e dependem do setup e da configuração de descodificação.

A versão atual foi ensaiada na placa ESP32-P4X-Function-EV-Board da Espressif, que já traz microfone, ecrã, microSD e 32MB de PSRAM. Ou seja, não é um Arduino nu, mas continua a ser um microcontrolador de baixo custo, não uma placa com GPU escondida. O detalhe relevante aqui é a tendência: a mesma filosofia que já levou modelos de IA generativa para correrem localmente em portáteis e telemóveis começa a chegar a placas de desenvolvimento que custam pouco mais do que um jantar.

Para lá da transcrição, o firmware mostra como transformar voz em ações sem modelo de linguagem nem ligação à internet. Em vez de prompts complexos, usa regras de palavras e frases configuráveis para detetar comandos e respetivos alvos. Quem monta o sistema pode editar ficheiros de texto na microSD e adicionar frases, incluindo variações que o modelo possa reconhecer para o mesmo comando. Nos testes descritos pelo programador, estas listas de frases melhoraram o reconhecimento de comandos nas seis demonstrações, com taxas de sucesso entre 94 e 99 por cento e sem ativações falsas em 88 clipes de teste “quase” comando por demo. São números simpáticos, mas em ambientes reais com ecos, sotaques e barulho a fasquia será outra.

O projeto sai com licença Apache 2.0, e o repositório inclui motor de fala, firmware, scripts de avaliação, benchmarks e instruções para gravar a placa. Em termos práticos, qualquer pessoa com algum traquejo em firmware consegue abrir o código, perceber como o modelo é carregado e adaptá-lo para controlar outro tipo de dispositivo. Por agora só há suporte para inglês; o roadmap indica árabe e compatibilidade com a futura ESP32-S31 como próximos passos.

Para quem anda a montar casa inteligente a sério, isto cruza-se com uma preocupação que já é recorrente: o que funciona quando a internet cai. Já explicámos num guia como preparar a casa inteligente para falhas de internet, e a moral é simples: quanto mais lógica estiver local, menos dependes de servidores de terceiros. Este projeto com o ESP32-P4 empurra o comando por voz para o mesmo lado. Em vez de microfones permanentemente ligados a data centers, passamos a ter nós de voz baratos junto dos próprios dispositivos.

É cedo para proclamar vitória do microcontrolador sobre o telemóvel em tudo o que é voz. Falta suporte a outras línguas, integração com sistemas domésticos reais e, sobretudo, testes independentes em ambientes barulhentos e com sotaques fortes. Mas o sinal está dado: compressão agressiva de modelos e instruções específicas de processador estão a puxar a IA de voz para dentro de hardware que antes só piscava LEDs. Quem desenha gadgets offline ou quer fugir à dependência crónica da cloud tem aqui um rumo claro a seguir.

Fonte: Open Source For You