El proyecto, esp32-pie-asr, lleva a la placa el modelo Kroko, de Banafo: un transducer Zipformer2 en streaming de 65,7M de parámetros. Los pesos pasan de 71 MB a 26,65 MB con cuantización a 2 y 4 bits, elegida por matriz según su sensibilidad y sin reentrenar. Los pesos están en Hugging Face y se leen desde una tarjeta microSD al arrancar (2,9 s) hacia los 32 MB de PSRAM.
Según el autor, en LibriSpeech obtiene un WER del 4,34 % en test-clean y del 10,26 % en test-other con beam search de 4 hipótesis. El Kroko original en int8 en PC marca 3,94 % y 9,17 %. Procesa cada 1,28 s de audio en 0,90 s (0,70× tiempo real) con ambos núcleos a 400 MHz, y una palabra queda definitiva unos 2 s después de pronunciarse. La aritmética es entera y bit-exact con la versión de PC, con kernels PIE en ensamblador.
El firmware admite frases y palabras a las que prestar atención (hotwords), definidas en un archivo de texto de la microSD y activables desde la pantalla. En 140 clips de texto a voz, el WER baja del 19,5 % al 3,4 % con ellas activadas. También incluye seis demos de control por voz (robot aspirador, casa inteligente, cabina de coche, línea de fábrica, cocina y presentador) basadas en reglas de palabras, sin modelo de lenguaje: aciertan entre el 86 % y el 97 % de las órdenes sin lista y entre el 94 % y el 99 % con ella, sin acciones falsas.
Está hecho y medido en la ESP32-P4X-Function-EV-Board, que necesita un ESP32-P4 de revisión v3 con 32 MB de PSRAM, micrófono, pantalla y microSD. Se puede flashear desde el navegador o con ESP-IDF v6.1. El código es Apache-2.0 y los pesos, CC-BY-SA 4.0, como los de Kroko. Como próximos pasos, el autor menciona el ESP32-S31 y un modelo para árabe estándar moderno.
Esta noticia la ha redactado una inteligencia artificial a partir de las fuentes citadas, con el criterio editorial de El Autómata (equilibrio, atribución y solo hechos publicados). Puede contener errores: consulta las fuentes originales. Modelo: claude-sonnet-5.5.