ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಬಳಸಿ DIY AI ಸಹಾಯಕವನ್ನು ಹೇಗೆ ನಿರ್ಮಿಸುವುದು

ನಿಮ್ಮ ಮಾತನ್ನು ಅನುಸರಿಸುವ, ನಿಮ್ಮ ಸ್ವಂತ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಚಲಿಸುವ ಮತ್ತು ನಿಮ್ಮನ್ನು ತಪ್ಪಾಗಿ ಕೇಳಿಸಿಕೊಂಡ ಕಾರಣ ಆಕಸ್ಮಿಕವಾಗಿ ಹನ್ನೆರಡು ಅನಾನಸ್‌ಗಳನ್ನು ಆರ್ಡರ್ ಮಾಡದ ಸಣ್ಣ ಧ್ವನಿ ಸಹಾಯಕ ಬೇಕೇ? ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಹೊಂದಿರುವ DIY AI ಸಹಾಯಕವು ಆಶ್ಚರ್ಯಕರವಾಗಿ ಸಾಧಿಸಬಹುದಾದ, ಮೋಜಿನ ಮತ್ತು ಹೊಂದಿಕೊಳ್ಳುವಂತಹದ್ದಾಗಿದೆ. ನೀವು ವೇಕ್ ವರ್ಡ್, ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್ (ASR = ಸ್ವಯಂಚಾಲಿತ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್), ನೈಸರ್ಗಿಕ ಭಾಷೆಗೆ ಮೆದುಳು (ನಿಯಮಗಳು ಅಥವಾ LLM), ಮತ್ತು ಟೆಕ್ಸ್ಟ್-ಟು-ಸ್ಪೀಚ್ (TTS) ಅನ್ನು ವೈರ್ ಮಾಡುತ್ತೀರಿ. ಕೆಲವು ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳು, ಒಂದು ಅಥವಾ ಎರಡು ಸೇವೆಗಳು ಮತ್ತು ಕೆಲವು ಎಚ್ಚರಿಕೆಯ ಆಡಿಯೊ ಟ್ವೀಕ್‌ಗಳನ್ನು ಸೇರಿಸಿ, ಮತ್ತು ನಿಮ್ಮ ನಿಯಮಗಳನ್ನು ಪಾಲಿಸುವ ಪಾಕೆಟ್ ಮಾಡಬಹುದಾದ ಸ್ಮಾರ್ಟ್ ಸ್ಪೀಕರ್ ಅನ್ನು ನೀವು ಪಡೆದುಕೊಂಡಿದ್ದೀರಿ.

ಕೂದಲು ಎಳೆಯುವ ಕೆಲಸವಿಲ್ಲದೆ ಶೂನ್ಯದಿಂದ ನಿಮ್ಮ ಪೈಗೆ ಮಾತನಾಡಲು ಪ್ರಾರಂಭಿಸೋಣ. ನಾವು ಭಾಗಗಳು, ಸೆಟಪ್, ಕೋಡ್, ಹೋಲಿಕೆಗಳು, ಸಣ್ಣ ವಿಷಯಗಳು... ಇಡೀ ಬುರ್ರಿಟೋವನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ. 🌯

ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:

🔗 AI ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಅಧ್ಯಯನ ಮಾಡುವುದು ಹೇಗೆ
ಅಧ್ಯಯನ ಮಾರ್ಗಸೂಚಿಯನ್ನು ರಚಿಸಿ, ಯೋಜನೆಗಳನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ ಮತ್ತು ಪ್ರಗತಿಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ.

🔗 AI ಕಂಪನಿಯನ್ನು ಹೇಗೆ ಪ್ರಾರಂಭಿಸುವುದು
ಸಮಸ್ಯೆಯನ್ನು ದೃಢೀಕರಿಸಿ, MVP ನಿರ್ಮಿಸಿ, ತಂಡವನ್ನು ಜೋಡಿಸಿ, ಆರಂಭಿಕ ಗ್ರಾಹಕರನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಿ.

🔗 ಹೆಚ್ಚು ಉತ್ಪಾದಕವಾಗಲು AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು
ದಿನನಿತ್ಯದ ಕಾರ್ಯಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಿ, ಕೆಲಸದ ಹರಿವುಗಳನ್ನು ಸುಗಮಗೊಳಿಸಿ ಮತ್ತು ಸೃಜನಶೀಲ ಉತ್ಪಾದನೆಯನ್ನು ವೃದ್ಧಿಸಿ.

🔗 ನಿಮ್ಮ ವ್ಯವಹಾರದಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಸೇರಿಸಿಕೊಳ್ಳುವುದು
ಹೆಚ್ಚಿನ ಪರಿಣಾಮ ಬೀರುವ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಗುರುತಿಸಿ, ಪೈಲಟ್‌ಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ, ROI ಅನ್ನು ಅಳೆಯಿರಿ, ಪ್ರಮಾಣ.

ರಾಸ್ಪ್ಬೆರಿ ಪೈ ನೊಂದಿಗೆ ಉತ್ತಮ DIY AI ಸಹಾಯಕವನ್ನು ಯಾವುದು ಮಾಡುತ್ತದೆ ✅

ಪೂರ್ವನಿಯೋಜಿತವಾಗಿ ಖಾಸಗಿ - ಸಾಧ್ಯವಾದಲ್ಲೆಲ್ಲಾ ಆಡಿಯೊವನ್ನು ಸ್ಥಳೀಯವಾಗಿ ಇರಿಸಿ. ಸಾಧನದಿಂದ ಏನು ಬಿಡಬೇಕೆಂದು ನೀವು ನಿರ್ಧರಿಸಿ.
ಮಾಡ್ಯುಲರ್ - ಲೆಗೊದಂತಹ ಘಟಕಗಳನ್ನು ವಿನಿಮಯ ಮಾಡಿಕೊಳ್ಳಿ: ವೇಕ್ ವರ್ಡ್ ಎಂಜಿನ್, ASR, LLM, TTS.
ಕೈಗೆಟುಕುವ ಬೆಲೆ - ಹೆಚ್ಚಾಗಿ ಓಪನ್ ಸೋರ್ಸ್, ಕಮೋಡಿಟಿ ಮೈಕ್‌ಗಳು, ಸ್ಪೀಕರ್‌ಗಳು ಮತ್ತು ಪೈ.
ಹ್ಯಾಕ್ ಮಾಡಬಹುದಾದದ್ದು – ಹೋಮ್ ಆಟೊಮೇಷನ್, ಡ್ಯಾಶ್‌ಬೋರ್ಡ್‌ಗಳು, ದಿನಚರಿಗಳು, ಕಸ್ಟಮ್ ಕೌಶಲ್ಯಗಳು ಬೇಕೇ? ಸುಲಭ.
ವಿಶ್ವಾಸಾರ್ಹ - ಸೇವಾ-ನಿರ್ವಹಣೆಯ, ಬೂಟ್ ಆಗುತ್ತದೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಕೇಳಲು ಪ್ರಾರಂಭಿಸುತ್ತದೆ.
ಮೋಜು - ನೀವು ಆಡಿಯೋ, ಪ್ರಕ್ರಿಯೆಗಳು ಮತ್ತು ಈವೆಂಟ್-ಚಾಲಿತ ವಿನ್ಯಾಸದ ಬಗ್ಗೆ ಬಹಳಷ್ಟು ಕಲಿಯುವಿರಿ.

ಸಣ್ಣ ಸಲಹೆ: ನೀವು ರಾಸ್ಪ್ಬೆರಿ ಪೈ 5 ಅನ್ನು ಬಳಸುತ್ತಿದ್ದರೆ ಮತ್ತು ಭಾರವಾದ ಸ್ಥಳೀಯ ಮಾದರಿಗಳನ್ನು ಚಲಾಯಿಸಲು ಯೋಜಿಸುತ್ತಿದ್ದರೆ, ಕ್ಲಿಪ್-ಆನ್ ಕೂಲರ್ ನಿರಂತರ ಲೋಡ್‌ನಲ್ಲಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ. (ಸಂದೇಹವಿದ್ದಲ್ಲಿ, ಪೈ 5 ಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಅಧಿಕೃತ ಆಕ್ಟಿವ್ ಕೂಲರ್ ಅನ್ನು ಆರಿಸಿ.) [1]

ನಿಮಗೆ ಅಗತ್ಯವಿರುವ ಭಾಗಗಳು ಮತ್ತು ಪರಿಕರಗಳು 🧰

ರಾಸ್ಪ್ಬೆರಿ ಪೈ: ಹೆಡ್‌ರೂಮ್‌ಗೆ ಪೈ 4 ಅಥವಾ ಪೈ 5 ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ.
ಮೈಕ್ರೋ SD ಕಾರ್ಡ್: 32 GB+ ಶಿಫಾರಸು ಮಾಡಲಾಗಿದೆ.
ಯುಎಸ್‌ಬಿ ಮೈಕ್ರೊಫೋನ್: ಸರಳವಾದ ಯುಎಸ್‌ಬಿ ಕಾನ್ಫರೆನ್ಸ್ ಮೈಕ್ ಅದ್ಭುತವಾಗಿದೆ.
ಸ್ಪೀಕರ್: USB ಅಥವಾ 3.5 mm ಸ್ಪೀಕರ್, ಅಥವಾ I2S amp HAT.
ನೆಟ್‌ವರ್ಕ್: ಈಥರ್ನೆಟ್ ಅಥವಾ ವೈ-ಫೈ.
ಐಚ್ಛಿಕ ನೈಟೀಸ್: ಕೇಸ್, ಸಕ್ರಿಯ ಕೂಲರ್ , ಪುಶ್-ಟು-ಟಾಕ್‌ಗಾಗಿ ಪುಶ್ ಬಟನ್, LED ರಿಂಗ್. [1]

OS & ಬೇಸ್‌ಲೈನ್ ಸೆಟಪ್

ಫ್ಲ್ಯಾಶ್ ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಓಎಸ್ . ನಿಮಗೆ ಬೇಕಾದ ಪೂರ್ವನಿಗದಿಗಳೊಂದಿಗೆ ಬೂಟ್ ಮಾಡಬಹುದಾದ ಮೈಕ್ರೊ ಎಸ್‌ಡಿ ಪಡೆಯಲು ಇದು ಸರಳ ಮಾರ್ಗವಾಗಿದೆ. [1]
ಬೂಟ್ ಮಾಡಿ, ನೆಟ್‌ವರ್ಕ್‌ಗೆ ಸಂಪರ್ಕಪಡಿಸಿ, ನಂತರ ಪ್ಯಾಕೇಜ್‌ಗಳನ್ನು ನವೀಕರಿಸಿ:

ಸುಡೋ ಆಪ್ಟ್ ಅಪ್‌ಡೇಟ್ && ಸುಡೋ ಆಪ್ಟ್ ಅಪ್‌ಗ್ರೇಡ್ -y

ಆಡಿಯೋ ಬೇಸಿಕ್ಸ್ : ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಓಎಸ್ ನಲ್ಲಿ ನೀವು ಡೆಸ್ಕ್‌ಟಾಪ್ ಯುಐ ಅಥವಾ ರಾಸ್ಪಿ-ಕಾನ್ಫಿಗ್ ಮೂಲಕ ಡೀಫಾಲ್ಟ್ ಔಟ್‌ಪುಟ್, ಮಟ್ಟಗಳು ಮತ್ತು ಸಾಧನಗಳನ್ನು ಹೊಂದಿಸಬಹುದು . ಯುಎಸ್‌ಬಿ ಮತ್ತು ಎಚ್‌ಡಿಎಂಐ ಆಡಿಯೊ ಮಾದರಿಗಳಲ್ಲಿ ಬೆಂಬಲಿತವಾಗಿದೆ; ಬ್ಲೂಟೂತ್ ಔಟ್‌ಪುಟ್ ಬ್ಲೂಟೂತ್ ಹೊಂದಿರುವ ಮಾದರಿಗಳಲ್ಲಿ ಲಭ್ಯವಿದೆ. [1]
ಸಾಧನಗಳನ್ನು ಪರಿಶೀಲಿಸಿ:

ರೆಕಾರ್ಡ್ -ಎಲ್ ಅಪ್ಲೇ -ಎಲ್

ನಂತರ ಕ್ಯಾಪ್ಚರ್ ಮತ್ತು ಪ್ಲೇಬ್ಯಾಕ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಿ. ಮಟ್ಟಗಳು ವಿಚಿತ್ರವಾಗಿ ಕಂಡುಬಂದರೆ, ಮೈಕ್ ಅನ್ನು ದೂಷಿಸುವ ಮೊದಲು ಮಿಕ್ಸರ್‌ಗಳು ಮತ್ತು ಡೀಫಾಲ್ಟ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ.

ವಾಸ್ತುಶಿಲ್ಪದ ಒಂದು ನೋಟ 🗺️

ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಹರಿವಿನೊಂದಿಗೆ ಸಮಂಜಸವಾದ DIY AI ಸಹಾಯಕವು ಈ ರೀತಿ ಕಾಣುತ್ತದೆ:

ವೇಕ್ ವರ್ಡ್ → ಲೈವ್ ಆಡಿಯೋ ಕ್ಯಾಪ್ಚರ್ → ASR ಟ್ರಾನ್ಸ್‌ಕ್ರಿಪ್ಷನ್ → ಇಂಟೆಂಟ್ ಹ್ಯಾಂಡ್ಲಿಂಗ್ ಅಥವಾ LLM → ಪ್ರತಿಕ್ರಿಯೆ ಪಠ್ಯ → TTS → ಆಡಿಯೋ ಪ್ಲೇಬ್ಯಾಕ್ → MQTT ಅಥವಾ HTTP ಮೂಲಕ ಐಚ್ಛಿಕ ಕ್ರಿಯೆಗಳು.

ವೇಕ್ ವರ್ಡ್: ಪೋರ್ಕ್ಯುಪೈನ್ ಚಿಕ್ಕದಾಗಿದೆ, ನಿಖರವಾಗಿದೆ ಮತ್ತು ಪ್ರತಿ ಕೀವರ್ಡ್ ಸೂಕ್ಷ್ಮತೆಯ ನಿಯಂತ್ರಣದೊಂದಿಗೆ ಸ್ಥಳೀಯವಾಗಿ ಚಲಿಸುತ್ತದೆ. [2]
ASR: ವಿಸ್ಪರ್ ಬಹುಭಾಷಾ, ಸಾಮಾನ್ಯ ಉದ್ದೇಶದ ASR ಮಾದರಿಯಾಗಿದ್ದು, ಸುಮಾರು 680 ಸಾವಿರ ಗಂಟೆಗಳ ತರಬೇತಿಯನ್ನು ಹೊಂದಿದೆ; ಇದು ಉಚ್ಚಾರಣೆಗಳು/ಹಿನ್ನೆಲೆ ಶಬ್ದಗಳಿಗೆ ಸದೃಢವಾಗಿದೆ. ಸಾಧನದಲ್ಲಿನ ಬಳಕೆಗಾಗಿ, whisper.cpp ನೇರ C/C++ ನಿರ್ಣಯ ಮಾರ್ಗವನ್ನು ಒದಗಿಸುತ್ತದೆ. [3][4]
ಮೆದುಳು: ನಿಮ್ಮ ಆಯ್ಕೆ - API ಮೂಲಕ ಕ್ಲೌಡ್ LLM, ನಿಯಮಗಳ ಎಂಜಿನ್ ಅಥವಾ ಅಶ್ವಶಕ್ತಿಯನ್ನು ಅವಲಂಬಿಸಿ ಸ್ಥಳೀಯ ನಿರ್ಣಯ.
ಟಿಟಿಎಸ್: ಪೈಪರ್ ಸ್ಥಳೀಯವಾಗಿ ನೈಸರ್ಗಿಕ ಭಾಷಣವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಸಾಧಾರಣ ಹಾರ್ಡ್‌ವೇರ್‌ನಲ್ಲಿ ಚುರುಕಾದ ಪ್ರತಿಕ್ರಿಯೆಗಳಿಗೆ ಸಾಕಷ್ಟು ವೇಗವಾಗಿ. [5]

ತ್ವರಿತ ಹೋಲಿಕೆ ಕೋಷ್ಟಕ 🔎

ಉಪಕರಣ	ಅತ್ಯುತ್ತಮವಾದದ್ದು	ದುಬಾರಿ	ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ
ಮುಳ್ಳುಹಂದಿ ವೇಕ್ ವರ್ಡ್	ಯಾವಾಗಲೂ ಕೇಳುವ ಪ್ರಚೋದಕ	ಉಚಿತ ಶ್ರೇಣಿ +	ಕಡಿಮೆ CPU, ನಿಖರ, ಸುಲಭ ಬೈಂಡಿಂಗ್‌ಗಳು [2]
ವಿಸ್ಪರ್.ಸಿಪಿಪಿ	ಪೈ ನಲ್ಲಿ ಸ್ಥಳೀಯ ASR	ಮುಕ್ತ ಮೂಲ	ಉತ್ತಮ ನಿಖರತೆ, CPU ಸ್ನೇಹಿ [4]
ಫಾಸ್ಟರ್-ವಿಸ್ಪರ್	CPU/GPU ನಲ್ಲಿ ವೇಗವಾದ ASR	ಮುಕ್ತ ಮೂಲ	CTranslate2 ಆಪ್ಟಿಮೈಸೇಶನ್‌ಗಳು
ಪೈಪರ್ ಟಿಟಿಎಸ್	ಸ್ಥಳೀಯ ಭಾಷಣ ಔಟ್‌ಪುಟ್	ಮುಕ್ತ ಮೂಲ	ವೇಗದ ಧ್ವನಿಗಳು, ಹಲವು ಭಾಷೆಗಳು [5]
ಕ್ಲೌಡ್ LLM API	ಸಮೃದ್ಧ ತಾರ್ಕಿಕತೆ	ಬಳಕೆ ಆಧಾರಿತ	ಭಾರೀ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಆಫ್‌ಲೋಡ್ ಮಾಡುತ್ತದೆ
ನೋಡ್-ರೆಡ್	ಕ್ರಿಯೆಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು	ಮುಕ್ತ ಮೂಲ	ದೃಶ್ಯ ಹರಿವುಗಳು, MQTT ಸ್ನೇಹಿ

ಹಂತ-ಹಂತದ ನಿರ್ಮಾಣ: ನಿಮ್ಮ ಮೊದಲ ಧ್ವನಿ ಲೂಪ್ 🧩

ನಾವು ಎಚ್ಚರಗೊಳ್ಳುವ ಪದಕ್ಕಾಗಿ ಪೋರ್ಕ್ಯುಪೈನ್, ಪ್ರತಿಲೇಖನಕ್ಕಾಗಿ ವಿಸ್ಪರ್, ಪ್ರತ್ಯುತ್ತರಕ್ಕಾಗಿ ಹಗುರವಾದ “ಮೆದುಳು” ಕಾರ್ಯವನ್ನು (ನಿಮ್ಮ ಆಯ್ಕೆಯ LLM ನೊಂದಿಗೆ ಬದಲಾಯಿಸಿ) ಮತ್ತು ಭಾಷಣಕ್ಕಾಗಿ ಪೈಪರ್ ಅನ್ನು ಬಳಸುತ್ತೇವೆ. ಅದನ್ನು ಕನಿಷ್ಠವಾಗಿ ಇರಿಸಿ, ನಂತರ ಪುನರಾವರ್ತಿಸಿ.

1) ಅವಲಂಬನೆಗಳನ್ನು ಸ್ಥಾಪಿಸಿ

sudo apt install -y python3-pip portaudio19-dev sox ffmpeg pip3 install sounddevice numpy

ಮುಳ್ಳುಹಂದಿ: ನಿಮ್ಮ ಭಾಷೆಗಾಗಿ SDK/ಬೈಂಡಿಂಗ್‌ಗಳನ್ನು ಪಡೆದುಕೊಳ್ಳಿ ಮತ್ತು ತ್ವರಿತ ಆರಂಭವನ್ನು ಅನುಸರಿಸಿ (ಪ್ರವೇಶ ಕೀ + ಕೀವರ್ಡ್ ಪಟ್ಟಿ + ಆಡಿಯೊ ಫ್ರೇಮ್‌ಗಳು → .ಪ್ರಕ್ರಿಯೆ). [2]
ವಿಸ್ಪರ್ (CPU-ಸ್ನೇಹಿ): whisper.cpp:

git ಕ್ಲೋನ್ https://github.com/ggml-org/whisper.cpp cd whisper.cpp && cmake -B ಬಿಲ್ಡ್ && cmake --ಬಿಲ್ಡ್ ಬಿಲ್ಡ್ -j ./models/download-ggml-model.sh base.en ./build/bin/whisper-cli -m ./models/ggml-base.en.bin -f your.wav -otxt

ಮೇಲಿನವು ಯೋಜನೆಯ ತ್ವರಿತ ಆರಂಭವನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆ. [4]

ಪೈಥಾನ್‌ಗೆ ಆದ್ಯತೆ ನೀಡುವುದೇ? ವೇಗವಾದ-ಪಿಸುಮಾತು (CTranslate2) ಸಾಮಾನ್ಯವಾಗಿ ವೆನಿಲ್ಲಾ ಪೈಥಾನ್‌ಗಿಂತ ಚುರುಕಾಗಿರುತ್ತದೆ.

2) ಪೈಪರ್ ಟಿಟಿಎಸ್ ಅನ್ನು ಹೊಂದಿಸಿ

git clone https://github.com/rhasspy/piper ಸಿಡಿ ಪೈಪರ್ ಮೇಕ್ # ನಿಮಗೆ ಇಷ್ಟವಾದ ಧ್ವನಿ ಮಾದರಿಯನ್ನು ಡೌನ್‌ಲೋಡ್ ಮಾಡಿ, ಉದಾ, en_US-amy echo "Hello there." | ./piper --model voices/en/en_US-amy-medium.onnx --output_file hello.wav aplay hello.wav

ಪೈಪರ್ ಅನ್ನು ಬಹು ಧ್ವನಿ/ಭಾಷಾ ಆಯ್ಕೆಗಳೊಂದಿಗೆ ಆನ್-ಡಿವೈಸ್ ಟಿಟಿಎಸ್‌ಗಾಗಿ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ. [5]

3) ಪೈಥಾನ್‌ನಲ್ಲಿ ಕನಿಷ್ಠ ಸಹಾಯಕ ಲೂಪ್

ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ ಸಂಕ್ಷೇಪಿಸಲಾಗಿದೆ: ಎಚ್ಚರಗೊಳ್ಳುವ ಪದಗುಚ್ಛಕ್ಕಾಗಿ ಕಾಯುತ್ತದೆ (ಸ್ಟಬ್), ರೆಕಾರ್ಡ್ ಮಾಡುತ್ತದೆ, whisper.cpp, ಪ್ರತ್ಯುತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್), ನಂತರ ಪೈಪರ್ ಮೂಲಕ ಮಾತನಾಡುತ್ತದೆ. ನಿಮ್ಮ ನೆಚ್ಚಿನ LLM ಅಥವಾ ನಿಯಮ ತರ್ಕದೊಂದಿಗೆ ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್ ಅನ್ನು ಬದಲಾಯಿಸಿ.

OS, ಸಬ್‌ಪ್ರೊಸೆಸ್, ವೇವ್ ಇಂಪೋರ್ಟ್ ಸೌಂಡ್‌ಡಿವೈಸ್ as sd WAKE_WORD = "ಹೇ ಕಂಪ್ಯೂಟರ್" # ಉತ್ಪಾದನೆಯಲ್ಲಿ ಪೋರ್ಕ್ಯುಪೈನ್‌ಗಾಗಿ ಸ್ವಾಪ್ ಮಾಡಿ [2] RECORD_SECONDS = 6 SAMPLE_RATE = 16000 CHANNELS = 1 WORKDIR = "/home/pi/assistant" ASR_BIN = "/home/pi/whisper.cpp/build/bin/whisper-cli" # [4] ASR_MODEL = "/home/pi/whisper.cpp/models/ggml-base.en.bin" PIPER_BIN = "/home/pi/piper/build/piper" # [5] PIPER_VOICE = "/home/pi/piper/voices/en/en_US-amy-medium.onnx" os.makedirs(WORKDIR, exist_ok=True) def record_wav(path, ಸೆಕೆಂಡುಗಳು=RECORD_SECONDS): ಆಡಿಯೋ = sd.rec(int(ಸೆಕೆಂಡುಗಳು * SAMPLE_RATE), ಸ್ಯಾಂಪ್ಲೆರೇಟ್=SAMPLE_RATE, ಚಾನಲ್‌ಗಳು=CHANNELS, dtype='int16') sd.wait() wave.open(path, 'wb') ನೊಂದಿಗೆ w: w.setnchannels(CHANNELS); w.setsampwidth(2); w.setframerate(SAMPLE_RATE) w.writeframes(audio.tobytes()) def transcribe(path): cmd = [ASR_BIN, "-m", ASR_MODEL, "-f", path, "-otxt"] subprocess.run(cmd, check=True, cwd=WORKDIR) with open(path.replace(".wav", ".txt"), "r", encoding="utf-8") as f: return f.read().strip() def generate_reply(prompt): return "weather" in prompt.lower(): return "ನನಗೆ ಮೋಡಗಳು ಕಾಣಿಸುತ್ತಿಲ್ಲ, ಆದರೆ ಅದು ಚೆನ್ನಾಗಿರಬಹುದು. ಒಂದು ವೇಳೆ ಜಾಕೆಟ್ ತನ್ನಿ." "ನೀವು ಹೇಳಿದ್ದು:" + ಪ್ರಾಂಪ್ಟ್ ಡೆಫ್ ಸ್ಪೀಕ್(ಟೆಕ್ಸ್ಟ್): proc = ಸಬ್‌ಪ್ರೋಸೆಸ್.ಪೋಪೆನ್([PIPER_BIN, "--ಮಾಡೆಲ್", PIPER_VOICE, "--ಔಟ್‌ಪುಟ್_ಫೈಲ್", f"{WORKDIR}/reply.wav"], stdin=subprocess.PIPE) proc.stdin.write(text.encode("utf-8")); proc.stdin.close(); proc.wait() subprocess.run(["aplay", f"{WORKDIR}/reply.wav"], check=True) print("Assistant ready. Type the wake phrase to test.") ಆದರೆ True: typed = input("> ").strip().lower() if typeed = == WAKE_WORD: wav_path = f"{WORKDIR}/input.wav" record_wav(wav_path) text = transcribe(wav_path) reply = generate_reply(text) print("User:", text); print("Assistant:", reply) speak(reply) else: print("ಲೂಪ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಲು wake phrase the type the wake phrase.")

ನಿಜವಾದ ವೇಕ್-ವರ್ಡ್ ಪತ್ತೆಗಾಗಿ, ಪೋರ್ಕ್ಯುಪೈನ್‌ನ ಸ್ಟ್ರೀಮಿಂಗ್ ಡಿಟೆಕ್ಟರ್ ಅನ್ನು ಸಂಯೋಜಿಸಿ (ಕಡಿಮೆ CPU, ಪ್ರತಿ-ಕೀವರ್ಡ್ ಸೂಕ್ಷ್ಮತೆ). [2]

ನಿಜಕ್ಕೂ ಮುಖ್ಯವಾದ ಆಡಿಯೋ ಟ್ಯೂನಿಂಗ್ 🎚️

ಕೆಲವು ಸಣ್ಣ ಪರಿಹಾರಗಳು ನಿಮ್ಮ ಸಹಾಯಕನನ್ನು 10× ಚುರುಕಾಗಿ ಭಾವಿಸುವಂತೆ ಮಾಡುತ್ತದೆ:

ಮೈಕ್ ದೂರ: 30–60 ಸೆಂ.ಮೀ. ಅನೇಕ ಯುಎಸ್‌ಬಿ ಮೈಕ್‌ಗಳಿಗೆ ಸಿಹಿ ತಾಣವಾಗಿದೆ.
ಹಂತಗಳು : ಇನ್‌ಪುಟ್‌ನಲ್ಲಿ ಕ್ಲಿಪಿಂಗ್ ಮಾಡುವುದನ್ನು ತಪ್ಪಿಸಿ ಮತ್ತು ಪ್ಲೇಬ್ಯಾಕ್ ಅನ್ನು ವಿವೇಕಯುತವಾಗಿಡಿ; ಕೋಡ್ ದೆವ್ವಗಳನ್ನು ಬೆನ್ನಟ್ಟುವ ಮೊದಲು ರೂಟಿಂಗ್ ಅನ್ನು ಸರಿಪಡಿಸಿ. ರಾಸ್ಪ್ಬೆರಿ ಪೈ OS ನಲ್ಲಿ, ನೀವು ಸಿಸ್ಟಮ್ ಪರಿಕರಗಳು ಅಥವಾ raspi-config ಮೂಲಕ ಔಟ್‌ಪುಟ್ ಸಾಧನ ಮತ್ತು ಹಂತಗಳನ್ನು ನಿರ್ವಹಿಸಬಹುದು . [1]
ಕೋಣೆಯ ಅಕೌಸ್ಟಿಕ್ಸ್: ಗಟ್ಟಿಯಾದ ಗೋಡೆಗಳು ಪ್ರತಿಧ್ವನಿಗಳನ್ನು ಉಂಟುಮಾಡುತ್ತವೆ; ಮೈಕ್ ಅಡಿಯಲ್ಲಿ ಮೃದುವಾದ ಚಾಪೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ.
ವೇಕ್ ವರ್ಡ್ ಥ್ರೆಶೋಲ್ಡ್: ತುಂಬಾ ಸೂಕ್ಷ್ಮ → ಭೂತ ಪ್ರಚೋದಿಸುತ್ತದೆ; ತುಂಬಾ ಕಟ್ಟುನಿಟ್ಟಾಗಿ → ನೀವು ಪ್ಲಾಸ್ಟಿಕ್‌ನಲ್ಲಿ ಕೂಗುತ್ತೀರಿ. ಪೋರ್ಕ್ಯುಪೈನ್ ಪ್ರತಿ ಕೀವರ್ಡ್‌ಗೆ ಸೂಕ್ಷ್ಮತೆಯನ್ನು ಸರಿಹೊಂದಿಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ. [2]
ಥರ್ಮಲ್‌ಗಳು: ಪೈ 5 ನಲ್ಲಿನ ದೀರ್ಘ ಪ್ರತಿಲೇಖನಗಳು ನಿರಂತರ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ ಅಧಿಕೃತ ಸಕ್ರಿಯ ಕೂಲರ್‌ನಿಂದ ಪ್ರಯೋಜನ ಪಡೆಯುತ್ತವೆ. [1]

ಆಟಿಕೆಯಿಂದ ಉಪಕರಣಕ್ಕೆ ಹೋಗುವುದು: ಸೇವೆಗಳು, ಆಟೋಸ್ಟಾರ್ಟ್, ಆರೋಗ್ಯ ತಪಾಸಣೆಗಳು 🧯

ಮನುಷ್ಯರು ಸ್ಕ್ರಿಪ್ಟ್‌ಗಳನ್ನು ಚಲಾಯಿಸಲು ಮರೆಯುತ್ತಾರೆ. ಕಂಪ್ಯೂಟರ್‌ಗಳು ಉತ್ತಮವಾಗಿರಲು ಮರೆಯುತ್ತವೆ. ನಿಮ್ಮ ಲೂಪ್ ಅನ್ನು ನಿರ್ವಹಿಸಿದ ಸೇವೆಯಾಗಿ ಪರಿವರ್ತಿಸಿ:

systemd ಘಟಕವನ್ನು ರಚಿಸಿ:

[ಘಟಕ] ವಿವರಣೆ=DIY ಧ್ವನಿ ಸಹಾಯಕ ನಂತರ=network.target sound.target [ಸೇವೆ] ಬಳಕೆದಾರ=pi ವರ್ಕಿಂಗ್ ಡೈರೆಕ್ಟರಿ=/home/pi/assistant ExecStart=/usr/bin/python3 /home/pi/assistant/assistant.py Restart=always RestartSec=3 [Install] WantedBy=multi-user.target

ಸಕ್ರಿಯಗೊಳಿಸಿ:

sudo cp assistant.service /etc/systemd/system/ sudo systemctl ಡೀಮನ್-ರೀಲೋಡ್ sudo systemctl --now assistant.service ಅನ್ನು ಸಕ್ರಿಯಗೊಳಿಸಿ

ಲಾಗ್ ಬಾಲಗಳು:

ಜರ್ನಲ್‌ಕ್ಟ್ಲ್ -ಯು ಸಹಾಯಕ -ಎಫ್

ಈಗ ಅದು ಬೂಟ್ ಆದ ಮೇಲೆ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ, ಕ್ರ್ಯಾಶ್ ಆದಾಗ ಮರುಪ್ರಾರಂಭಗೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಉಪಕರಣದಂತೆ ವರ್ತಿಸುತ್ತದೆ. ಸ್ವಲ್ಪ ನೀರಸ, ಇನ್ನೂ ಉತ್ತಮ.

ಕೌಶಲ್ಯ ವ್ಯವಸ್ಥೆ: ಮನೆಯಲ್ಲಿಯೇ ಅದನ್ನು ನಿಜವಾಗಿಯೂ ಉಪಯುಕ್ತವಾಗಿಸಿ 🏠✨

ಧ್ವನಿ-ಇನ್ ಮತ್ತು ಧ್ವನಿ-ಔಟ್ ಸದೃಢವಾದ ನಂತರ, ಕ್ರಿಯೆಗಳನ್ನು ಸೇರಿಸಿ:

ಇಂಟೆಂಟ್ ರೂಟರ್: ಸಾಮಾನ್ಯ ಕಾರ್ಯಗಳಿಗಾಗಿ ಸರಳ ಕೀವರ್ಡ್ ಮಾರ್ಗಗಳು.
ಸ್ಮಾರ್ಟ್ ಹೋಮ್: MQTT ಗೆ ಈವೆಂಟ್‌ಗಳನ್ನು ಪ್ರಕಟಿಸಿ ಅಥವಾ ಹೋಮ್ ಅಸಿಸ್ಟೆಂಟ್‌ನ HTTP ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳಿಗೆ ಕರೆ ಮಾಡಿ.
ಪ್ಲಗಿನ್‌ಗಳು : set_timer , what_is_the_time , play_radio , run_scene ನಂತಹ ತ್ವರಿತ ಪೈಥಾನ್ ಕಾರ್ಯಗಳು .

ಲೂಪ್‌ನಲ್ಲಿ ಕ್ಲೌಡ್ LLM ಇದ್ದರೂ ಸಹ, ವೇಗ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಗಾಗಿ ಸ್ಪಷ್ಟವಾದ ಸ್ಥಳೀಯ ಆಜ್ಞೆಗಳನ್ನು ಮೊದಲು ರೂಟ್ ಮಾಡಿ.

ಲೋಕಲ್ ಓನ್ಲಿ vs ಕ್ಲೌಡ್ ಅಸಿಸ್ಟ್: ನೀವು ಅನುಭವಿಸುವ ಟ್ರೇಡ್-ಆಫ್‌ಗಳು 🌓

ಸ್ಥಳೀಯವಾಗಿ ಮಾತ್ರ
ಸಾಧಕ: ಖಾಸಗಿ, ಆಫ್‌ಲೈನ್, ಊಹಿಸಬಹುದಾದ ವೆಚ್ಚಗಳು.
ಅನಾನುಕೂಲಗಳು: ಸಣ್ಣ ಬೋರ್ಡ್‌ಗಳಲ್ಲಿ ಭಾರವಾದ ಮಾದರಿಗಳು ನಿಧಾನವಾಗಿರಬಹುದು. ನೀವು ಅದನ್ನು ಸಾಧನದಲ್ಲಿ ಅಥವಾ ಹತ್ತಿರದ ಸರ್ವರ್‌ನಲ್ಲಿ ಇರಿಸಿದರೆ ವಿಸ್ಪರ್‌ನ ಬಹುಭಾಷಾ ತರಬೇತಿಯು ದೃಢತೆಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ. [3]

ಮೇಘ ಸಹಾಯ
ಸಾಧಕ: ಶಕ್ತಿಯುತ ತಾರ್ಕಿಕತೆ, ದೊಡ್ಡ ಸಂದರ್ಭ ವಿಂಡೋಗಳು.
ಅನಾನುಕೂಲಗಳು: ಸಾಧನದಿಂದ ಡೇಟಾ ಹೊರಹೋಗುವಿಕೆ, ನೆಟ್‌ವರ್ಕ್ ಅವಲಂಬನೆ, ವೇರಿಯಬಲ್ ವೆಚ್ಚಗಳು.

ಹೈಬ್ರಿಡ್ ಸಾಮಾನ್ಯವಾಗಿ ಗೆಲ್ಲುತ್ತದೆ: ವೇಕ್ ವರ್ಡ್ + ASR ಲೋಕಲ್ → ತಾರ್ಕಿಕ ಕ್ರಿಯೆಗಾಗಿ API ಅನ್ನು ಕರೆ ಮಾಡಿ → TTS ಲೋಕಲ್. [2][3][5]

ದೋಷನಿವಾರಣೆ: ವಿಚಿತ್ರ ಗ್ರೆಮ್ಲಿನ್‌ಗಳು ಮತ್ತು ತ್ವರಿತ ಪರಿಹಾರಗಳು 👾

ವೇಕ್ ವರ್ಡ್ ಫಾಲ್ಸ್ ಟ್ರಿಗ್ಗರ್‌ಗಳು: ಸೂಕ್ಷ್ಮತೆಗಳನ್ನು ಕಡಿಮೆ ಮಾಡಿ ಅಥವಾ ಬೇರೆ ಮೈಕ್ ಪ್ರಯತ್ನಿಸಿ. [2]
ASR ಲ್ಯಾಗ್ : ಸಣ್ಣ ವಿಸ್ಪರ್ ಮಾದರಿಯನ್ನು ಬಳಸಿ ಅಥವಾ ಬಿಡುಗಡೆ ಫ್ಲ್ಯಾಗ್‌ಗಳೊಂದಿಗೆ whisper.cpp ಅನ್ನು ನಿರ್ಮಿಸಿ ( -j --config ಬಿಡುಗಡೆ ). [4]
ಚಪ್ಪೆ ಟಿಟಿಎಸ್: ಸಾಮಾನ್ಯ ನುಡಿಗಟ್ಟುಗಳನ್ನು ಮೊದಲೇ ರಚಿಸಿ; ನಿಮ್ಮ ಆಡಿಯೊ ಸಾಧನ ಮತ್ತು ಮಾದರಿ ದರಗಳನ್ನು ದೃಢೀಕರಿಸಿ.
ಯಾವುದೇ ಮೈಕ್ ಪತ್ತೆಯಾಗಿಲ್ಲ : ರೆಕಾರ್ಡ್ -l ಮತ್ತು ಮಿಕ್ಸರ್‌ಗಳನ್ನು ಪರಿಶೀಲಿಸಿ
ಥರ್ಮಲ್ ಥ್ರೊಟ್ಲಿಂಗ್: ನಿರಂತರ ಕಾರ್ಯಕ್ಷಮತೆಗಾಗಿ ಪೈ 5 ನಲ್ಲಿ ಅಧಿಕೃತ ಆಕ್ಟಿವ್ ಕೂಲರ್ ಬಳಸಿ. [1]

ನೀವು ನಿಜವಾಗಿಯೂ ಓದಲೇಬೇಕಾದ ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತಾ ಟಿಪ್ಪಣಿಗಳು 🔒

APT ನೊಂದಿಗೆ ನಿಮ್ಮ ಪೈ ಅನ್ನು ನವೀಕೃತವಾಗಿಡಿ.
ನೀವು ಯಾವುದೇ ಕ್ಲೌಡ್ API ಬಳಸಿದರೆ, ನೀವು ಕಳುಹಿಸುವುದನ್ನು ಲಾಗ್ ಮಾಡಿ ಮತ್ತು ಮೊದಲು ಸ್ಥಳೀಯವಾಗಿ ವೈಯಕ್ತಿಕ ಬಿಟ್‌ಗಳನ್ನು ಸಂಪಾದಿಸುವುದನ್ನು ಪರಿಗಣಿಸಿ.
ಕನಿಷ್ಠ ಸವಲತ್ತಿನೊಂದಿಗೆ ಸೇವೆಗಳನ್ನು ಚಲಾಯಿಸಿ; ಅಗತ್ಯವಿಲ್ಲದಿದ್ದರೆ ExecStart ನಲ್ಲಿ sudo ಅನ್ನು ತಪ್ಪಿಸಿ
ಅತಿಥಿಗಳು ಅಥವಾ ಶಾಂತ ಸಮಯಗಳಿಗೆ ಸ್ಥಳೀಯ-ಮಾತ್ರ ಮೋಡ್ ಅನ್ನು ಒದಗಿಸಿ

ಬಿಲ್ಡ್ ರೂಪಾಂತರಗಳು: ಸ್ಯಾಂಡ್‌ವಿಚ್‌ನಂತೆ ಮಿಶ್ರಣ ಮಾಡಿ ಮತ್ತು ಹೊಂದಿಸಿ 🥪

ಅಲ್ಟ್ರಾ-ಲೋಕಲ್: ಮುಳ್ಳುಹಂದಿ + whisper.cpp + ಪೈಪರ್ + ಸರಳ ನಿಯಮಗಳು. ಖಾಸಗಿ ಮತ್ತು ಗಟ್ಟಿಮುಟ್ಟಾದ. [2][4][5]
ಸ್ಪೀಡಿ ಕ್ಲೌಡ್ ಅಸಿಸ್ಟ್: ಪೋರ್ಕ್ಯುಪೈನ್ + (ಸಣ್ಣ ಸ್ಥಳೀಯ ವಿಸ್ಪರ್ ಅಥವಾ ಕ್ಲೌಡ್ ASR) + TTS ಲೋಕಲ್ + ಕ್ಲೌಡ್ LLM.
ಹೋಮ್ ಆಟೊಮೇಷನ್ ಸೆಂಟ್ರಲ್: ದಿನಚರಿ, ದೃಶ್ಯಗಳು ಮತ್ತು ಸಂವೇದಕಗಳಿಗಾಗಿ ನೋಡ್-ರೆಡ್ ಅಥವಾ ಹೋಮ್ ಅಸಿಸ್ಟೆಂಟ್ ಫ್ಲೋಗಳನ್ನು ಸೇರಿಸಿ.

ಉದಾಹರಣೆ ಕೌಶಲ್ಯ: MQTT ಮೂಲಕ ದೀಪಗಳು ಆನ್ ಆಗುತ್ತವೆ 💡

paho.mqtt.client ಅನ್ನು mqtt ಆಗಿ ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ MQTT_HOST = "192.168.1.10" TOPIC = "home/livingroom/light/set" def set_light(state: str): client = mqtt.Client() client.connect(MQTT_HOST, 1883, 60) payload = "ON" ಆಗಿದ್ದರೆ state.lower().startswith("on") ಇಲ್ಲದಿದ್ದರೆ "OFF" client.publish(TOPIC, payload, qos=1, retain=False) client.disconnect() # "turn on the lights" in text: set_light("on")

"ಲಿವಿಂಗ್ ರೂಮ್ ಲ್ಯಾಂಪ್ ಆನ್ ಮಾಡಿ" ಎಂಬಂತಹ ಧ್ವನಿ ಸಾಲನ್ನು ಸೇರಿಸಿ, ನೀವು ಮಾಂತ್ರಿಕನಂತೆ ಭಾವಿಸುವಿರಿ.

ಈ ಸ್ಟ್ಯಾಕ್ ಆಚರಣೆಯಲ್ಲಿ ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ 🧪

ಸಣ್ಣ ಬೋರ್ಡ್‌ಗಳಲ್ಲಿ ಎಚ್ಚರ-ಪದ ಪತ್ತೆಹಚ್ಚುವಲ್ಲಿ ಮುಳ್ಳುಹಂದಿ ಪರಿಣಾಮಕಾರಿ ಮತ್ತು ನಿಖರವಾಗಿದೆ, ಇದು ಯಾವಾಗಲೂ ಕೇಳುವುದನ್ನು ಸಾಧ್ಯವಾಗಿಸುತ್ತದೆ. [2]
ವಿಸ್ಪರ್‌ನ ದೊಡ್ಡ, ಬಹುಭಾಷಾ ತರಬೇತಿಯು ಅದನ್ನು ವೈವಿಧ್ಯಮಯ ಪರಿಸರಗಳು ಮತ್ತು ಉಚ್ಚಾರಣೆಗಳಿಗೆ ಬಲಿಷ್ಠವಾಗಿಸುತ್ತದೆ. [3]
whisper.cpp ಆ ಶಕ್ತಿಯನ್ನು ಪೈ ನಂತಹ CPU-ಮಾತ್ರ ಸಾಧನಗಳಲ್ಲಿ ಬಳಸುವಂತೆ ಇರಿಸುತ್ತದೆ. [4]
ಪೈಪರ್ ಆಡಿಯೋವನ್ನು ಕ್ಲೌಡ್ ಟಿಟಿಎಸ್‌ಗೆ ರವಾನಿಸದೆ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಚುರುಕಾಗಿರಿಸುತ್ತದೆ. [5]

ತುಂಬಾ ಉದ್ದವಾಗಿದೆ, ಓದಿಲ್ಲ

ವೇಕ್ ವರ್ಡ್‌ಗಾಗಿ ಪೋರ್ಕ್ಯುಪೈನ್, ಪ್ರತ್ಯುತ್ತರಗಳಿಗಾಗಿ ನಿಮ್ಮ ಮೆದುಳಿನ ಆಯ್ಕೆಯಾದ ASR ಗಾಗಿ ವಿಸ್ಪರ್ ( whisper.cpp ಮೂಲಕ) ಮತ್ತು ಸ್ಥಳೀಯ TTS ಗಾಗಿ ಪೈಪರ್ ಅನ್ನು ಸಂಯೋಜಿಸುವ ಮೂಲಕ ರಾಸ್ಪ್ಬೆರಿ ಪೈ ನೊಂದಿಗೆ ಮಾಡ್ಯುಲರ್, ಖಾಸಗಿ DIY AI ಸಹಾಯಕವನ್ನು ನಿರ್ಮಿಸಿ . ಇದನ್ನು ಸಿಸ್ಟಮ್‌ಡ್ ಸೇವೆಯಾಗಿ ಸುತ್ತಿ, MQTT ಅಥವಾ HTTP ಕ್ರಿಯೆಗಳಲ್ಲಿ ಆಡಿಯೋ ಮತ್ತು ವೈರ್ ಅನ್ನು ಟ್ಯೂನ್ ಮಾಡಿ. ಇದು ನೀವು ಯೋಚಿಸುವುದಕ್ಕಿಂತ ಅಗ್ಗವಾಗಿದೆ ಮತ್ತು ಅದರೊಂದಿಗೆ ಬದುಕಲು ವಿಚಿತ್ರವಾಗಿ ಸಂತೋಷಕರವಾಗಿದೆ. [1][2][3][4][5]

ಉಲ್ಲೇಖಗಳು

ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಸಾಫ್ಟ್‌ವೇರ್ ಮತ್ತು ಕೂಲಿಂಗ್ - ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಇಮೇಜರ್ (ಡೌನ್‌ಲೋಡ್ ಮತ್ತು ಬಳಕೆ) ಮತ್ತು ಪೈ 5 ಆಕ್ಟಿವ್ ಕೂಲರ್ ಉತ್ಪನ್ನ ಮಾಹಿತಿ
- ರಾಸ್ಪ್ಬೆರಿ ಪೈ ಇಮೇಜರ್: ಇನ್ನಷ್ಟು ಓದಿ
- ಆಕ್ಟಿವ್ ಕೂಲರ್ (ಪೈ 5): ಇನ್ನಷ್ಟು ಓದಿ
ಪೋರ್ಕ್ಯುಪೈನ್ ವೇಕ್ ವರ್ಡ್ - SDK & ತ್ವರಿತ ಆರಂಭ (ಕೀವರ್ಡ್‌ಗಳು, ಸೂಕ್ಷ್ಮತೆ, ಸ್ಥಳೀಯ ನಿರ್ಣಯ)
- ಮತ್ತಷ್ಟು ಓದು
ವಿಸ್ಪರ್ (ASR ಮಾದರಿ) – ಬಹುಭಾಷಾ, ದೃಢವಾದ ASR ಸುಮಾರು 680 ಸಾವಿರ ಗಂಟೆಗಳ ಕಾಲ ತರಬೇತಿ ಪಡೆದಿದೆ.
- ರಾಡ್‌ಫೋರ್ಡ್ ಮತ್ತು ಇತರರು, ಲಾರ್ಜ್-ಸ್ಕೇಲ್ ವೀಕ್ ಸೂಪರ್‌ವಿಷನ್ (ವಿಸ್ಪರ್) ಮೂಲಕ ರೋಬಸ್ಟ್ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್: ಇನ್ನಷ್ಟು ಓದಿ
whisper.cpp – CLI ಜೊತೆಗೆ CPU-ಸ್ನೇಹಿ ವಿಸ್ಪರ್ ನಿರ್ಣಯ ಮತ್ತು ಹಂತಗಳನ್ನು ನಿರ್ಮಿಸಿ
- ಮತ್ತಷ್ಟು ಓದು
ಪೈಪರ್ ಟಿಟಿಎಸ್ - ಬಹು ಧ್ವನಿಗಳು/ಭಾಷೆಗಳೊಂದಿಗೆ ವೇಗವಾದ, ಸ್ಥಳೀಯ ನರಮಂಡಲದ ಟಿಟಿಎಸ್.
- ಮತ್ತಷ್ಟು ಓದು

ಅಧಿಕೃತ AI ಸಹಾಯಕ ಅಂಗಡಿಯಲ್ಲಿ ಇತ್ತೀಚಿನ AI ಅನ್ನು ಹುಡುಕಿ

ನಮ್ಮ ಬಗ್ಗೆ

ಬ್ಲಾಗ್‌ಗೆ ಹಿಂತಿರುಗಿ