Résumé IA · arXiv: 2610.38739v1 · eess.AS

Streaming Speech Recognition on a Microcontroller: a 65.7M-Parameter Transducer in 2 and 4 Bits on the ESP32-P4

Billal Boumedine
Article original Soumis à arXiv le 28 Oct. 2026 18 pages, 2 figures, 11 tables, 1 algorithm. Code: https://github.com/BoumedineBillal/esp32-pie-asr ; weights: https://huggingface.co/BoumedineBillal/esp32-pie-asr-kroko-en Licence : NONEXCLUSIVE-DISTRIB 1.0 Aussi en : en

Comment lire ce résumé ? Guide illustré

L’essentiel

Un transducteur vocal de 65,7 millions de paramètres fonctionne en continu plus vite que le temps réel sur ESP32-P4, sans réentraînement, moyennant une dégradation mesurée de précision.

Question

Comment exécuter une reconnaissance vocale à vocabulaire ouvert, en continu et plus vite que le temps réel, sur un microcontrôleur sans accélérateur neuronal ? L’étude examine le compromis entre compression des poids, arithmétique entière, mémoire, vitesse et précision.

Méthode

Le modèle anglais Kroko est compressé sans réentraînement : ses 290 matrices du chemin encodeur reçoivent 2 ou 4 bits selon leur sensibilité, puis une correction séquentielle, une recherche des normes et un arrondi GPTQ dans une base tournée par Hadamard. La calibration utilise 512 extraits FLEURS, soit 87 minutes ; un moteur C à noyaux SIMD PIE emploie des activations int16 entre les produits matriciels et int8 à leur entrée sur deux cœurs à 400 MHz avec 32 Mo de PSRAM. La précision est évaluée avec une version PC vérifiée identique bit à bit au microcontrôleur, sur les ensembles LibriSpeech complets, 647 extraits FLEURS et 1 000 extraits Common Voice ; des ablations et des chronométrages sur puce complètent l’évaluation.

Résultats

  • Résultat La compression ramène le fichier de poids de 71 à 26,65 Mo, et l’application traite chaque bloc audio de 1,28 seconde en environ 0,90 seconde, recherche en faisceau comprise.
    Voir le passage dans l’article
    The released 71 MB of int8 weights become a 26.65 MB file. Activations are int16 between the matrix products and int8 into them.
  • Résultat Avec un faisceau de quatre hypothèses, les taux d’erreur sur les mots atteignent 4,34 % sur LibriSpeech test-clean et 10,26 % sur test-other, contre 3,94 % et 9,17 % pour le modèle publié.
    Voir le passage dans l’article
    On LibriSpeech test-clean [25] it reaches 4.34 % WER and on test-other 10.26 %, with a beam of 4, against 3.94 % and 9.17 % for the released model run with sherpa-onnx.
  • Résultat Dans l’ablation à allocation de bits constante, GPTQ réduit l’essentiel de la dégradation de l’arrondi au plus proche, faisant passer le taux d’erreur de 8,83 % à 4,75 %.
    Voir le passage dans l’article
    Rounding to the nearest level on the 25 MB plan nearly doubles the WER, to 8.83 %. GPTQ alone does most of the repair (4.75 %).
  • Interprétation des auteurs Les comparaisons avec le simulateur attribuent la perte de précision aux poids compressés, sans dégradation supplémentaire mesurable due à l’arithmétique entière sur les corpus évalués.
    Voir le passage dans l’article
    The whole gap comes from the weights. The integer arithmetic adds nothing here either.
  • Résultat La dégradation augmente sur FLEURS et Common Voice, avec des écarts respectifs de 2,26 et 1,09 points de taux d’erreur par rapport au modèle publié.
    Voir le passage dans l’article
    Both models make three to five times more errors here than on LibriSpeech, and the gap between them grows: 2.26 points on FLEURS and 1.09 on Common Voice at beam 4, against 0.40 on test-clean, and the bootstrap intervals exclude zero on both sets.

Limites

  • La consommation énergétique et la puissance n’ont pas été mesurées.
    Voir le passage dans l’article
    We did not measure energy or power; we had no instrument for it.
  • L’évaluation porte uniquement sur l’anglais lu ou sollicité, sans évaluation systématique de la parole bruitée, distante ou conversationnelle.
    Voir le passage dans l’article
    The system is English only. The test sets are read or prompted speech: LibriSpeech, FLEURS, Common Voice, and text-to-speech clips for the phrases.
  • La méthode n’a été développée que sur un modèle, sans démonstration du transfert des mêmes réglages à d’autres architectures.
    Voir le passage dans l’article
    Finally, the method was developed on one model; we have not shown that the same settings transfer to other models.

Portée

Selon l’auteur, ce travail démontre la faisabilité d’une transcription à vocabulaire ouvert, en continu et plus rapide que le temps réel sur microcontrôleur avec un modèle de cette taille. Il identifie la compression des poids, plutôt que l’arithmétique entière retenue, comme la principale source de perte de précision.

Rédigé par une IA à partir de l’article. Les passages cités sont vérifiés mot pour mot dans le texte analysé ; le reste peut contenir des erreurs.

Mots clés générés par l'IA : Reconnaissance vocale ESP32-P4 Quantification Inférence embarquée Zipformer2

Pour aller plus loin

  • Résumé Complet
  • Résumé vulgarisé
  • Article de blog
  • Abstract original
Cet article étudie la possibilité d’exécuter une reconnaissance vocale à vocabulaire ouvert, en continu et plus rapidement qu’en temps réel, sur un microcontrôleur dépourvu d’accélérateur neuronal. Billal Boumedine adapte à l’ESP32-P4 Kroko, un modèle transducteur Zipformer2 de 65,7 millions de paramètres conçu pour l’anglais. Cette plateforme dispose de deux cœurs RISC-V à 400 MHz, d’une extension SIMD PIE de 128 bits et de 32 Mo de PSRAM. Contrairement aux systèmes limités à une liste de commandes, elle transcrit des phrases libres captées par le microphone et affiche les mots à l’écran. Le système principal est obtenu sans réentraînement, grâce à une méthode associant compression des poids et optimisation des calculs. Les 290 matrices du parcours de l’encodeur sont stockées sur 2 ou 4 bits, selon leur sensibilité mesurée sur des données de calibration. Les poids sont répartis en groupes, généralement de 128 éléments, puis soumis à une rotation de Hadamard afin de mieux répartir les valeurs extrêmes. Chaque groupe utilise des niveaux de quantification de Lloyd-Max et une norme en précision réduite. La conversion s’effectue matrice par matrice : une correction compense les perturbations introduites en amont, une recherche ajuste les normes, puis GPTQ répartit les erreurs d’arrondi entre les coefficients restants. La calibration repose sur 512 extraits de FLEURS, soit 87 minutes d’audio sans transcription. Les matrices proches de la sortie sont plus souvent conservées sur 4 bits, tandis que le décodeur et la sortie du réseau de jonction restent sur 8 bits. La taille du fichier passe ainsi de 71 à 26,65 Mo. Le moteur d’inférence, écrit en C avec des noyaux en assembleur PIE, répartit les produits matriciels entre les deux cœurs. Les activations intermédiaires sont principalement représentées sur 16 bits, puis converties dynamiquement sur 8 bits à l’entrée des produits matriciels. Les fonctions non linéaires sont calculées à l’aide de tables. Une version pour PC reproduit exactement les opérations de la puce et permet d’évaluer le système sur des jeux de données complets, après vérification de cette concordance par des tests ciblés. Les comparaisons avec un simulateur indiquent que l’arithmétique entière n’entraîne aucune dégradation mesurable : la perte de précision provient essentiellement de la compression des poids. Avec une recherche en faisceau conservant quatre hypothèses, le taux d’erreur sur les mots atteint 4,34 % sur LibriSpeech test-clean et 10,26 % sur test-other, contre respectivement 3,94 % et 9,17 % pour Kroko d’origine. Les écarts sont plus marqués sur FLEURS, avec 15,95 % contre 13,68 %, et sur les 1 000 extraits évalués de Common Voice, avec 19,56 % contre 18,47 %. Les enregistrements de FLEURS à très faible niveau sonore expliquent une part importante de la dégradation : après normalisation du niveau, l’écart tombe à 0,97 point de pourcentage. L’étude d’ablation montre que GPTQ apporte l’essentiel du gain, ramenant le taux d’erreur sur test-clean de 8,83 % à 4,75 % pour un même plan de quantification. Dans l’application complète, chaque bloc de 1,28 seconde est traité en environ 0,90 seconde, soit un facteur temps réel de 0,70. Pour le moteur seul, ce facteur descend à 0,59. Les mots deviennent définitifs après un délai médian de 1,9 à 2,3 secondes. Une expérience distincte visant une compression supplémentaire, par élagage et entraînement adapté à la quantification, ramène le modèle à 19,63 Mo, avec un taux d’erreur de 5,63 % sur test-clean. Elle n’atteint toutefois pas l’objectif de 16 Mo et n’a pas été déployée sur la puce. Ce travail démontre la faisabilité d’une transcription embarquée continue avec un modèle relativement volumineux. Ses limites restent néanmoins importantes : prise en charge de l’anglais uniquement, mémoire presque saturée, chargement des poids depuis une carte microSD, absence de mesures de consommation énergétique et d’évaluation systématique en conditions bruitées, à distance ou conversationnelles. La sensibilité aux faibles niveaux sonores et les omissions des premiers mots persistent. Enfin, la généralisation de la méthode à d’autres modèles reste à établir.

Cette synthèse vous a-t-elle été utile ?

Note : 0

Pourquoi avons-nous besoin de votes ?

Les votes sont utilisés pour déterminer si nous devons réexécuter nos outils de synthèse. Si le compte atteint -10, nos outils peuvent être redémarrés.

Figures et graphiques

Posez une question sur une figure en indiquant son numéro ou en utilisant son bouton de question pour demander une analyse visuelle. Au maximum deux figures et quatre panneaux par question. Les valeurs lues sur les graphiques sont approximatives ; vérifiez les données originales.

Instructions pour utiliser l'assistant IA ?

Outils pour cet article

Expliquer autrement 3 réécritures gratuites restantes aujourd'hui
Enregistrer dans une collection Regroupez des articles en collections pour les comparer, les interroger et les exporter. Créer un compte gratuit Se connecter

Outils avancés Premium

Pour suivre un domaine de près : alertes de citations, diapositives de journal club, comparaison des versions et envoi vers Zotero. Découvrir Premium

Zotero
Alertes de citation Guide des alertes de citations
Lettre hebdomadaire Présenté dans « Informatique hors IA cette semaine » du 2 novembre 2026. Informatique hors IA cette semaine : des cartes à colorier aux machines à choisir

Les articles autour de celui-ci

Les voir sur une carte

Classés selon la proximité de leur titre et de leur résumé avec ceux de cet article. Sélectionnez-en pour les lire ensemble.

Les articles les plus proches

  1. Proche Même question Cité par cet article Utilisé en profondeur par cet article
    O\'ido: Open-Vocabulary Speech Recognition on a $5 Microcontroller without a Neural Accelerator
    Daniel Varela Sánchez, Guillermo Martín-Coello Juárez · 2026 · cité 1 fois · Pas encore résumé

    O’ido exécute une reconnaissance vocale anglaise à vocabulaire ouvert sur microcontrôleur sans accélérateur, comme l’étude, mais avec un modèle Conformer-CTC int8 sur ESP32-S3.

    Résumé scientifique

    Speech recognition on low-cost microcontrollers is, in practice, limited to keyword spotting or a fixed list of commands. We present O\'ido, an inference engine that runs open-vocabulary English speech recognition entirely on an ESP32-S3 (240 MHz dual-core Xtensa LX7, 512 KB of SRAM, 8 MB of PSRAM, 16 MB of flash, no neural accelerator). O\'ido executes a 13M-parameter Conformer-CTC model with int8 weights, per-frame dynamic int8 activations and int8 attention on the chip's SIMD instructions, with a schedule designed around flash and PSRAM bandwidth. On LibriSpeech test-clean/test-other the on-device arithmetic reaches 3.70%/8.23% word error rate (WER), within 0.12 points of full precision, …

  2. Proche Contexte plus large
    Realizing Low-Precision Storage and Sparse Execution in a Folded FPGA Speech Enhancer
    Clément Laroche · 2026 · Pas encore résumé

    Cette étude réduit stockage et calcul d’un système FPGA de restauration de parole par précision mixte et sparsité structurée, plutôt que de reconnaître la parole sur microcontrôleur.

    Résumé scientifique

    Hardware-aware training often optimizes FPGA resources, latency, or bit operations, but folding changes what compression saves: shared arithmetic decouples precision, weight storage, and scheduled work. We derive training objectives from the measured costs of a folded streaming speech-enhancement accelerator. Mixed-precision weights reduce on-chip storage; structured channel sparsity removes entire operations from the engine schedule. We deploy a bit-exact implementation on the Kria KV260. The best sparse model eliminates 47.3% of convolution MACs, cutting frame time by 45% (1.86 to 1.03 ms) and dynamic energy by 60% (83 to 33 $\mu$J/frame) against a storage-priced model measured in the same…

  3. Apparenté Contexte plus large
    How Far Can the Gemma 4 Speech Encoder Go Without Changing Its Weights? Saudi and Gulf Arabic Speech Recognition with a Frozen and an Adapter-Augmented Encoder
    Amr Abdelkhalik · 2026 · Pas encore résumé

    Cette étude adapte un encodeur audio Gemma gelé à la reconnaissance de l’arabe du Golfe, tandis que l’étude déploie un transducteur anglais quantifié sur microcontrôleur.

    Résumé scientifique

    We study the 305M-parameter audio encoder shared by Gemma 4 and EmbeddingGemma 2 (bit-identical to that of Gemma 4 E2B except for the final audio-embedding projection) for Saudi and Gulf Arabic speech recognition, without changing any of its pretrained weights; the adapters of our adapted system are additive and kept separate. A frozen system trains only a 22.6M-parameter CTC reader over a learned mix of four intermediate encoder layers and the encoder output; an adapted system adds 3.1M low-rank adapter parameters, a 41.5M-parameter hybrid CTC/attention reader and joint decoding with a sub-word language model. Against Cohere Transcribe Arabic (2.07B parameters), re-run on identical audio, t…

  4. Apparenté Même question Cité par cet article
    Edge-ASR: Towards Low-Bit Quantization of Automatic Speech Recognition Models
    Chen Feng, Yicheng Lin, Shaojie Zhuo et al. · 2025 · Sound · preprint, non relu par les pairs · cité 12 fois · Résumé IA disponible

    Edge-ASR examine la quantification après entraînement et les compromis de précision des modèles de reconnaissance vocale, comme l’étude, qui déploie un modèle à poids 2 et 4 bits.

    Résumé scientifique

    Recent advances in Automatic Speech Recognition (ASR) have demonstrated remarkable accuracy and robustness in diverse audio applications, such as live transcription and voice command processing. However, deploying these models on resource-constrained edge devices (e.g., IoT device, wearables) still presents substantial challenges due to strict limits on memory, compute and power. Quantization, particularly Post-Training Quantization (PTQ), offers an effective way to reduce model size and inference cost without retraining. Despite its importance, the performance implications of various advanced quantization methods and bit-width configurations on ASR models remain unclear. In this work, we pr…

  5. Apparenté Contexte plus large
    Real-Time Music Source Separation on a Low-Power Audio DSP
    Jia-Nan Li, Li Liu, K. Malsky et al. · 2026 · Pas encore résumé

    Cette étude conçoit une séparation de sources musicales pour DSP à faible puissance, en tenant compte des contraintes mémoire et calcul, plutôt qu’une reconnaissance vocale embarquée.

    Résumé scientifique

    Real-time music source separation is validated on desktop CPUs and GPUs. Does any published system fit the embedded audio hardware it targets? On a commercial audio DSP (2 MB SRAM, 2.07 GMAC/s measured), none does, and the constraints eliminate different models: memory rules out the 16-51 M parameter TasNet/X-UMX family, per-frame compute rules out RT-STT, needing 5.5x the available MAC rate. Parameter count predicts neither: weight reuse spans 1x to 345x. We then build one that fits. Training on continuous rather than block-padded convolution context proves essential: a model scoring 3.93 dB block-wise otherwise collapses to silence within 2 s frame-by-frame. A gated complex FIR deep filter…

  6. Apparenté Contexte plus large
    Paradee: Distilling Kokoro-82M into an 8M-Parameter Single-Voice Text-to-Speech Model
    Sahil Mahendrakar · 2026 · Pas encore résumé

    Paradee compresse un modèle de synthèse vocale par distillation et quantification, alors que l’étude compresse un modèle de reconnaissance vocale sans réentraînement.

    Résumé scientifique

    We distill Kokoro-82M, a widely used open text-to-speech model with 54 voices, into Paradee, an 8.07M-parameter model that speaks one of them. Paradee keeps Kokoro's architecture with much narrower layers, and each of its two halves is trained separately against the frozen teacher. It has 10x fewer parameters and needs 15x less compute. We first synthesize a corpus with the teacher and keep its durations, pitch, energy and phoneme features. We then train a small text side to predict these values, and a small decoder to turn the teacher's saved values into the teacher's audio, first with spectral losses and then adversarially. Finally, we connect the two halves and quantize the weights to int…

  7. Apparenté Contexte plus large
    Beyond Model Size: Redesigning LiSenNet for embedded speech enhancement
    Clément Laroche, R. Olsson · 2026 · Pas encore résumé

    Cette étude redessine un réseau d’amélioration de la parole pour un accélérateur NPU à opérateurs restreints, contrairement au moteur de reconnaissance sans accélérateur de l’étude.

    Résumé scientifique

    Deploying real-time speech enhancement on resource-constrained devices requires meeting strict latency, memory, and energy constraints. Microcontroller NPUs can accelerate neural inference under these constraints, but only through a restricted set of operators in static, integer-quantized graphs. Recent speech-enhancement networks have reduced parameter counts and MACs to levels nominally suitable for microcontrollers, but their operators and execution patterns often remain incompatible with restricted NPUs. We address this gap by redesigning LiSenNet, a 37k parameter sub-band dual-path model, for the STM32N6570-DK Neural-ART accelerator. We replace its recurrent bottleneck with convolutiona…

  8. Apparenté Autre approche du problème Cité par cet article
    2-bit Conformer quantization for automatic speech recognition
    Oleg Rybakov, Phoenix Meadowlark, Shaojin Ding et al. · 2023 · Interspeech · cité 23 fois · Pas encore résumé

    Cette étude quantifie un Conformer de reconnaissance vocale à 2 bits et évalue la précision sur LibriSpeech, tandis que l’étude applique une quantification post-entraînement mixte à Kroko.

    Résumé scientifique

    Large speech models are rapidly gaining traction in research community. As a result, model compression has become an important topic, so that these models can fit in memory and be served with reduced cost. Practical approaches for compressing automatic speech recognition (ASR) model use int8 or int4 weight quantization. In this study, we propose to develop 2-bit ASR models. We explore the impact of symmetric and asymmetric quantization combined with sub-channel quantization and clipping on both LibriSpeech dataset and large-scale training data. We obtain a lossless 2-bit Conformer model with 32% model size reduction when compared to state of the art 4-bit Conformer model for LibriSpeech. Wit…

Les travaux antérieurs sur lesquels il s’appuie

  1. Apparenté Base de cet article
    Zipformer: A faster and better encoder for automatic speech recognition
    Zengwei Yao, Liyong Guo, Xiao-Yu Yang et al. · 2023 · International Conference on Learning Representations · cité 184 fois · Pas encore résumé

    Zipformer présente l’encodeur utilisé dans le transducteur Kroko que l’étude déploie après quantification sur microcontrôleur.

    Résumé scientifique

    The Conformer has become the most popular encoder model for automatic speech recognition (ASR). It adds convolution modules to a transformer to learn both local and global dependencies. In this work we describe a faster, more memory-efficient, and better-performing transformer, called Zipformer. Modeling changes include: 1) a U-Net-like encoder structure where middle stacks operate at lower frame rates; 2) reorganized block structure with more modules, within which we re-use attention weights for efficiency; 3) a modified form of LayerNorm called BiasNorm allows us to retain some length information; 4) new activation functions SwooshR and SwooshL work better than Swish. We also propose a new…

  2. Apparenté Contexte plus large
    Moonshine: Speech Recognition for Live Transcription and Voice Commands
    Nat Jeffries, Evan King, Manjunath Kudlur et al. · 2024 · arXiv.org · preprint, non relu par les pairs · cité 31 fois · Pas encore résumé

    Moonshine optimise des modèles de reconnaissance pour la transcription en direct et les commandes vocales, tandis que l’étude vise l’exécution continue sur microcontrôleur.

    Résumé scientifique

    This paper introduces Moonshine, a family of speech recognition models optimized for live transcription and voice command processing. Moonshine is based on an encoder-decoder transformer architecture and employs Rotary Position Embedding (RoPE) instead of traditional absolute position embeddings. The model is trained on speech segments of various lengths, but without using zero-padding, leading to greater efficiency for the encoder during inference time. When benchmarked against OpenAI's Whisper tiny-en, Moonshine Tiny demonstrates a 5x reduction in compute requirements for transcribing a 10-second speech segment while incurring no increase in word error rates across standard evaluation data…

  3. Apparenté* Données, outil ou méthode en commun Utilisé en profondeur par cet article
    Librispeech: An ASR corpus based on public domain audio books
    Vassil Panayotov, Guo-Guo Chen, D. Povey et al. · 2015 · IEEE International Conference on Acoustics, Speech, and Signal Processing · cité 8 710 fois · Pas encore résumé

    LibriSpeech fournit le corpus sur lequel l’étude évalue le taux d’erreur de son modèle quantifié.

  4. Apparenté Contexte plus large
    Robust Speech Recognition via Large-Scale Weak Supervision
    A. Radford, Jong Wook Kim, Tao Xu et al. · 2022 · International Conference on Machine Learning · cité 9 370 fois · Pas encore résumé

    Cette étude entraîne des modèles de reconnaissance robustes sur de vastes transcriptions audio multilingues, tandis que l’étude porte sur la compression et l’exécution embarquée.

    Résumé scientifique

    We study the capabilities of speech processing systems trained simply to predict large amounts of transcripts of audio on the internet. When scaled to 680,000 hours of multilingual and multitask supervision, the resulting models generalize well to standard benchmarks and are often competitive with prior fully supervised results but in a zero-shot transfer setting without the need for any fine-tuning. When compared to humans, the models approach their accuracy and robustness. We are releasing models and inference code to serve as a foundation for further work on robust speech processing.

  5. Apparenté Base de cet article Utilisé en profondeur par cet article
    GPTQ: Accurate Post-Training Quantization for Generative Pre-trained Transformers
    Elias Frantar, Saleh Ashkboos, T. Hoefler et al. · 2022 · arXiv.org · preprint, non relu par les pairs · cité 2 863 fois · Résumé IA disponible

    GPTQ fournit la méthode d’arrondi après quantification que l’étude applique aux poids du chemin encodeur de Kroko.

    Résumé scientifique

    Generative Pre-trained Transformer models, known as GPT or OPT, set themselves apart through breakthrough performance across complex language modelling tasks, but also by their extremely high computational and storage costs. Specifically, due to their massive size, even inference for large, highly-accurate GPT models may require multiple performant GPUs, which limits the usability of such models. While there is emerging work on relieving this pressure via model compression, the applicability and performance of existing compression techniques is limited by the scale and complexity of GPT models. In this paper, we address this challenge, and propose GPTQ, a new one-shot weight quantization met…

Comment ces articles sont-ils trouvés ?

Nous comparons le titre et le résumé de cet article avec ceux de tous les articles résumés sur ce site, et avec les articles que Semantic Scholar recommande, ceux qu’il cite et ceux qui le citent (pour un article très cité, ses citations les plus récentes et, depuis OpenAlex, les plus citées). Parmi les travaux antérieurs et les suites, les articles qui s’utilisent en profondeur, une méthode qu’il utilise et les suites très citées remontent un peu. Les niveaux (très proche, proche, apparenté) viennent de la similarité des textes, pas d’un jugement de qualité ; * signale un article sans résumé, comparé par son titre. La phrase sous un article est écrite par une IA à partir des deux résumés : vérifiez-la dans les articles. Un article jugé hors sujet par trois lecteurs quitte la liste.

Mis à jour le 2 novembre 2026.

Avertissement : Notre outil de synthèse basé sur l'IA et l'assistant virtuel fournis sur ce site Web peuvent ne pas toujours fournir des résumés complets ou des réponses exactes. Nous vous encourageons à examiner attentivement et à évaluer le contenu généré pour vous assurer de sa qualité et de sa pertinence par rapport à vos besoins.