O'ido：在5美元微控制器上实现实时开放词汇语音识别

O'ido在5美元ESP32-S3上实现超实时开放词汇语音识别。

资讯摘要

论文提出 O'ido 推理引擎与模型系列，在无神经加速器的 ESP32-S3 上运行开放词汇英语语音识别，单核速度超过实时。版本2通过80毫秒帧堆叠、64通道前端、int4权重和异步数据缓存预加载等改动，将流式实时因子从1.77降至0.54（变体B）和0.72（变体A），语音结束后259毫秒或431毫秒输出最终文本。变体A在LibriSpeech流式模式下词错误率为7.1%/16.4%。代码、模型和板端测量数据已发布。

要点速读

1. ESP32-S3 配置为240 MHz Xtensa LX7、8 MB PSRAM、16 MB flash，无神经加速器。
2. 版本2将流式实时因子从1.77降至0.54（B）和0.72（A），语音结束后259/431毫秒输出最终文本。
3. 变体A在LibriSpeech test-clean/test-other流式模式词错误率为7.1%/16.4%，全上下文为4.6%/10.7%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。