lokutor-ai/oido

Neden yükseliyor

Düşük maliyetli bir mikrodenetleyicide open-vocabulary ASR çalıştırma iddiası ve README’de verilen LibriSpeech sonuçları dikkat çekiyor. Repo 1 günlük ve 46 yıldız almış olsa da son 28 gündeki 6 commit’in tek yazardan gelmesi, ilginin henüz bağımsız benimseme veya sürdürülebilir geliştirme kanıtı olmadığını gösteriyor.

Problem

Speech-to-text modelleri çoğunlukla güçlü donanım veya cloud gerektirirken, düşük maliyetli mikrodenetleyicilerde serbest konuşmayı tanımak bellek ve hesaplama kısıtları nedeniyle zordur.

Çözüm

Conformer-CTC modelini int8 veya int4 quantization ile çalıştırıyor; ESP32-S3 için özel C kernel’ları, dual-core scheduling ve ağırlıkları flash’tan akış halinde okuma yaklaşımı kullanıyor. README’deki doğruluk sonuçları LibriSpeech testlerine dayanıyor; hız sonuçları ise fiziksel kart ölçümü değil, QEMU instruction count üzerinden yapılan tahminler.

Yenilik

ASR mimarisi yeni değil; belirgin yenilik, Conformer tabanlı bir modeli ESP32-S3’ün bellek ve işlem kısıtlarına özel C kernel’larıyla sığdırma yaklaşımında. Ancak gerçek kart üzerindeki hız ve çalışma doğrulaması README’ye göre henüz yapılmamış.

Teknolojiler

• C
• ESP32-S3
• ESP-IDF
• Conformer-CTC
• CTC
• int8 quantization
• int4 quantization
• QEMU
• Python
• SentencePiece

Riskler

• README’deki gerçek zamanlı hız değerleri tahmin; fiziksel ESP32-S3 üzerinde ölçüm henüz paylaşılmamış.
• Proje çok yeni ve son 28 gündeki commit’lerin tamamı tek yazardan; bakım ve bağımsız doğrulama kanıtı sınırlı.
• Model 8.3 MB (int4) veya 14.0 MB (int8) flash alanı ve 2.4 MB tepe PSRAM kullanımı gerektiriyor; uygun donanım yapılandırması şart.
• Çalışma utterance mode ile sınırlı; README’de kısa bir komut için duraklama ve hesaplama dahil yaklaşık 3 saniye belirtiliyor.
• README’deki doğruluk tabloları proje tarafından raporlanıyor; sonuçların bağımsız tekrarı hakkında burada kanıt yok.