Reconstruyó su asistente de voz local y eliminó los falsos positivos que lo volvían inútil

Rebuilding my local voice assistant pipeline

Reconstruyó su asistente de voz local y eliminó los falsos positivos que lo volvían inútil

Tras meses usando su pipeline de voz autoalojado en Platypush, el autor se cansó de los falsos positivos y de las conversaciones que no terminaban nunca en entornos ruidosos. Cambió openWakeWord por microWakeWord, añadió Silero VAD con histéresis, ventana deslizante y suelo de ruido adaptativo, y logró que las conversaciones se cierren entre 1 y 1,6 segundos después de la última palabra, frente a los 6-10 segundos anteriores.

En una prueba sintética, la configuración antigua mantenía las conversaciones abiertas entre 6 y 10 segundos después de que el habla hubiera terminado; el nuevo pipeline las cierra entre 1,0 y 1,6 segundos después de la última palabra.
  1. mmmooo

    los antiguos amazon echo dot y echo show son realmente un gran hardware para esto, combinados con homeassistant, y se pueden conseguir por muy poco dinero. ej. autopromoción descarada: https://github.com/ygelfand/echolocal

  2. mewse-hn

    Artículo interesante, he estado programando a lo vibe un asistente de voz para android usando un pipeline similar sin wakeword - VAD > ASR > LLM > TTS

    He encontrado que parakeet es mucho, mucho mejor que whisper e hice una cuantización de 4 bits de parakeet 110M para mis dispositivos android de prueba más malos, probablemente quepa en una raspberry pi:

    https://huggingface.co/mewse/parakeet-tdt_ctc-110m-onnx-int4

  3. fragilerock

    ¡Lectura interesante! Tengo mi propio asistente de voz local e implementé exactamente el mismo truco del signo de interrogación justo el otro día.

    El pipeline general es bastante similar a mi configuración anterior, pero encontré el pipeline STT -> LLM -> TTS simplemente exasperantemente lento. TTS y STT con whisper/piper funcionaban bien y razonablemente rápido para mí en local, pero el verdadero cuello de botella era siempre el hecho de que no se ejecutan concurrentemente con la llamada al LLM. Terminé haciendo un fork de un plugin ESP32 de API en tiempo real de openai de código abierto y parcheándolo a mi gusto. Es un poco más caro en términos de coste de API pero solo lo uso con moderación y ahora es mucho más agradable de usar.

Más de este día

2026-11-19