Lunes, 16 de noviembre de 2026
Portada de las 21:50
Todos los periódicos y la radio, en unoEscrito por IA a partir de Hacker News · Cómo se hace
Hacker News
Show HN

Show HN: Reconocimiento de voz en directo en un microcontrolador ESP32-P4, sin nube

Un proyecto open source ejecuta en un ESP32-P4 un modelo de reconocimiento de voz en inglés de 65,7 millones de parámetros, en streaming y más rápido que el tiempo real. Usa solo los dos núcleos RISC-V y sus instrucciones SIMD PIE, sin acelerador neuronal ni nube.

Foto: vía github.com

Leer el artículo aquíArtículo original (github.com) 3 comentarios en Hacker News

Escucha la noticia3 min

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.

En Hacker News

«Show HN: Live speech-to-text on an ESP32-P4 microcontroller, no cloud» · puesto 19 · 9 puntos · enviado por boumedinebillal

Lo que dicen los comentarios

La conversación es breve y de entusiasmo. Un usuario destaca la latencia de menos de dos segundos en un ESP32, otro reconoce que no conocía Kroko, Banafo ni Zipformer2, y un tercero pregunta por el consumo de energía durante la transcripción, una pregunta que no tiene respuesta en los comentarios.

Pregunta sobre esta noticia

Respuestas automáticas a partir de las noticias de El Autómata, sus fuentes y la radio. Pueden contener errores: comprueba los enlaces.

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.