В прошлый раз STM32N6 собирал слова из фонем по заданной таблице. Теперь микроконтроллер превращает свободную английскую речь в текст - без интернета и сервера, при потреблении около 0,2 Вт во время вычислений. Показываю, как это работает на реальной плате, где модель ошибается и что удалось улучшить. Исходники, модель и готовая прошивка выложены на github

Голосовые ассистенты работают удобно, но почти всегда через облако: нужна сеть, есть задержка, и речь уходит на внешние серверы. На устройстве обычно либо примитивный команды, либо слишком тяжёлая платформа.

Я проверил, можно ли закрыть этот разрыв на микроконтроллере STM32N6 со встроенным NPU: распознавать произвольную речь локально, в реальном времени и с потреблением около 0.2 Вт.