మీరు చెప్పినట్టు వినే, మీ సొంత హార్డ్వేర్పై పనిచేసే, మరియు మీరు చెప్పింది తప్పుగా విని పొరపాటున పన్నెండు పైనాపిల్స్ ఆర్డర్ చేయని ఒక చిన్న వాయిస్ అసిస్టెంట్ కావాలా? రాస్ప్బెర్రీ పైతో మీరే తయారుచేసుకునే (DIY) AI అసిస్టెంట్ ఆశ్చర్యకరంగా సులభంగా సాధించవచ్చు, సరదాగా ఉంటుంది మరియు సౌకర్యవంతంగా ఉంటుంది. మీరు ఒక వేక్ వర్డ్, స్పీచ్ రికగ్నిషన్ (ASR = ఆటోమేటిక్ స్పీచ్ రికగ్నిషన్), సహజ భాష కోసం ఒక బ్రెయిన్ (నియమాలు లేదా ఒక LLM), మరియు టెక్స్ట్-టు-స్పీచ్ (TTS) లను కనెక్ట్ చేయాలి. కొన్ని స్క్రిప్ట్లు, ఒకటి లేదా రెండు సర్వీసులు, మరియు కొన్ని జాగ్రత్తగా చేసిన ఆడియో సర్దుబాట్లు జోడిస్తే, మీ నియమాలను పాటించే, జేబులో ఇమిడిపోయే ఒక స్మార్ట్ స్పీకర్ సిద్ధం.
సాధారణ హెయిర్-పుల్లింగ్ లేకుండా జీరో నుండి టాకింగ్-టు-యువర్-పైకి తీసుకెళ్దాం. మేము భాగాలు, సెటప్, కోడ్, పోలికలు, గోచాస్... మొత్తం బురిటోను కవర్ చేస్తాము. 🌯
దీని తర్వాత మీరు చదవడానికి ఇష్టపడే కథనాలు:
🔗 AI ని సమర్థవంతంగా ఎలా అధ్యయనం చేయాలి
అధ్యయన రోడ్మ్యాప్ను రూపొందించండి, ప్రాజెక్టులను ప్రాక్టీస్ చేయండి మరియు పురోగతిని ట్రాక్ చేయండి.
🔗 AI కంపెనీని ఎలా ప్రారంభించాలి
సమస్యను ధృవీకరించండి, MVPని నిర్మించండి, బృందాన్ని సమీకరించండి, ప్రారంభ కస్టమర్లను పొందండి.
🔗 మరింత ఉత్పాదకంగా ఉండటానికి AI ని ఎలా ఉపయోగించాలి
దినచర్య పనులను ఆటోమేట్ చేయండి, వర్క్ఫ్లోలను క్రమబద్ధీకరించండి మరియు సృజనాత్మక అవుట్పుట్ను పెంచండి.
🔗 మీ వ్యాపారంలో AI ని ఎలా చేర్చాలి
అధిక-ప్రభావ ప్రక్రియలను గుర్తించండి, పైలట్లను అమలు చేయండి, ROIని కొలవండి, స్కేల్ చేయండి.
రాస్ప్బెర్రీ పై తో మంచి DIY AI అసిస్టెంట్ ఎలా అవుతాడు ✅
-
డిఫాల్ట్గా ప్రైవేట్ – సాధ్యమైనంత వరకు ఆడియోను స్థానికంగానే ఉంచండి. పరికరం నుండి ఏమి బయటకు వెళ్లాలో మీరే నిర్ణయించుకుంటారు.
-
మాడ్యులర్ – లెగోలా భాగాలను మార్చుకోవచ్చు: వేక్ వర్డ్ ఇంజిన్, ASR, LLM, TTS.
-
అందుబాటు ధరలో – చాలావరకు ఓపెన్ సోర్స్, సాధారణ మైకులు, స్పీకర్లు, మరియు ఒక రాస్ప్బెర్రీ పై.
-
హ్యాక్ చేయదగినవి – హోమ్ ఆటోమేషన్, డాష్బోర్డ్లు, రొటీన్లు, కస్టమ్ స్కిల్స్ కావాలా? సులభం.
-
విశ్వసనీయమైనది – సేవ ద్వారా నిర్వహించబడుతుంది, స్వయంచాలకంగా బూట్ అయి వినడం ప్రారంభిస్తుంది.
-
సరదాగా ఉంటుంది – మీరు ఆడియో, ప్రక్రియలు మరియు ఈవెంట్-డ్రివెన్ డిజైన్ గురించి చాలా నేర్చుకుంటారు.
చిన్న చిట్కా: మీరు రాస్ప్బెర్రీ పై 5 ని ఉపయోగిస్తుంటే మరియు భారీ స్థానిక మోడళ్లను అమలు చేయాలని ప్లాన్ చేస్తే, క్లిప్-ఆన్ కూలర్ నిరంతర లోడ్లో సహాయపడుతుంది. (సందేహం ఉంటే, పై 5 కోసం రూపొందించిన అధికారిక యాక్టివ్ కూలర్ను ఎంచుకోండి.) [1]
మీకు అవసరమైన భాగాలు & సాధనాలు 🧰
-
రాస్ప్బెర్రీ పై: హెడ్రూమ్కు పై 4 లేదా పై 5 సిఫార్సు చేయబడింది.
-
మైక్రో SD కార్డ్: 32 GB+ సిఫార్సు చేయబడింది.
-
USB మైక్రోఫోన్: ఒక సాధారణ USB కాన్ఫరెన్స్ మైక్ చాలా బాగుంది.
-
స్పీకర్: USB లేదా 3.5 mm స్పీకర్, లేదా ఒక I2S amp HAT.
-
నెట్వర్క్: ఈథర్నెట్ లేదా Wi-Fi.
-
ఐచ్ఛిక నైటీస్: కేస్, యాక్టివ్ కూలర్ , పుష్-టు-టాక్ కోసం పుష్ బటన్, LED రింగ్. [1]
OS & బేస్లైన్ సెటప్
-
రాస్ప్బెర్రీ పై OSను ఫ్లాష్ చేయండి . మీకు కావలసిన ప్రీసెట్లతో బూటబుల్ మైక్రో SDని పొందడానికి ఇది సరళమైన మార్గం. [1]
-
బూట్ చేయండి, నెట్వర్క్కు కనెక్ట్ చేయండి, ఆపై ప్యాకేజీలను నవీకరించండి:
సుడో ఆప్ట్ అప్డేట్ && సుడో ఆప్ట్ అప్గ్రేడ్ -y
-
ఆడియో బేసిక్స్ : రాస్ప్బెర్రీ పై OSలో మీరు డెస్క్టాప్ UI లేదా
raspi-configద్వారా డిఫాల్ట్ అవుట్పుట్, స్థాయిలు మరియు పరికరాలను సెట్ చేయవచ్చు . USB మరియు HDMI ఆడియో అన్ని మోడళ్లకు మద్దతు ఇస్తుంది; బ్లూటూత్ ఉన్న మోడళ్లలో బ్లూటూత్ అవుట్పుట్ అందుబాటులో ఉంది. [1] -
పరికరాలను ధృవీకరించండి:
రికార్డు -l అప్లే -l
తర్వాత క్యాప్చర్ మరియు ప్లేబ్యాక్ను పరీక్షించండి. స్థాయిలు వింతగా అనిపిస్తే, మైక్ను నిందించే ముందు మిక్సర్లు మరియు డిఫాల్ట్లను తనిఖీ చేయండి.
ఆర్కిటెక్చర్ యొక్క సంక్షిప్త వివరణ 🗺️
రాస్ప్బెర్రీ పై ఫ్లోతో కూడిన తెలివైన DIY AI అసిస్టెంట్ ఇలా కనిపిస్తుంది:
వేక్ వర్డ్ → లైవ్ ఆడియో క్యాప్చర్ → ASR ట్రాన్స్క్రిప్షన్ → ఇంటెంట్ హ్యాండ్లింగ్ లేదా LLM → రెస్పాన్స్ టెక్స్ట్ → TTS → ఆడియో ప్లేబ్యాక్ → MQTT లేదా HTTP ద్వారా ఐచ్ఛిక చర్యలు.
-
వేక్ వర్డ్: పోర్కుపైన్ చిన్నది, ఖచ్చితమైనది మరియు ప్రతి కీవర్డ్ సెన్సిటివిటీ నియంత్రణతో స్థానికంగా నడుస్తుంది. [2]
-
ASR: విస్పర్ అనేది సుమారు 680k గంటల పాటు శిక్షణ పొందిన ఒక బహుభాషా, సాధారణ-ప్రయోజన ASR మోడల్; ఇది యాసలు/నేపథ్య శబ్దానికి దృఢంగా ఉంటుంది. పరికరంలో ఉపయోగం కోసం,
whisper.cppఒక తేలికైన C/C++ ఇన్ఫరెన్స్ మార్గాన్ని అందిస్తుంది. [3][4] -
బ్రెయిన్: మీ ఎంపిక – అందుబాటులో ఉన్న సామర్థ్యాన్ని బట్టి API ద్వారా క్లౌడ్ LLM, రూల్స్ ఇంజిన్, లేదా లోకల్ ఇన్ఫరెన్స్.
-
TTS: పైపర్ స్థానికంగా సహజ ప్రసంగాన్ని ఉత్పత్తి చేస్తుంది, నిరాడంబరమైన హార్డ్వేర్పై చురుకైన ప్రతిస్పందనలకు తగినంత వేగంగా ఉంటుంది. [5]
త్వరిత పోలిక పట్టిక 🔎
| సాధనం | ఉత్తమమైనది | ఖరీదైనది | ఇది ఎందుకు పనిచేస్తుంది |
|---|---|---|---|
| ముళ్లపందుల వేక్ వర్డ్ | ఎల్లప్పుడూ వినే ట్రిగ్గర్ | ఉచిత టైర్ + | తక్కువ CPU, ఖచ్చితమైన, సులభమైన బైండింగ్లు [2] |
| విస్పర్.సిపిపి | పై పై స్థానిక ASR | ఓపెన్ సోర్స్ | మంచి ఖచ్చితత్వం, CPU-అనుకూలమైనది [4] |
| వేగంగా-విష్పర్ | CPU/GPU పై వేగవంతమైన ASR | ఓపెన్ సోర్స్ | CTranslate2 ఆప్టిమైజేషన్లు |
| పైపర్ TTS | స్థానిక ప్రసంగ అవుట్పుట్ | ఓపెన్ సోర్స్ | వేగవంతమైన స్వరాలు, అనేక భాషలు [5] |
| క్లౌడ్ LLM API | గొప్ప తార్కికం | వినియోగం ఆధారంగా | భారీ కంప్యూట్ను ఆఫ్లోడ్ చేస్తుంది |
| నోడ్-RED | చర్యలను క్రమబద్ధీకరించడం | ఓపెన్ సోర్స్ | దృశ్య ప్రవాహాలు, MQTT అనుకూలమైనవి |
దశలవారీ నిర్మాణం: మీ మొదటి వాయిస్ లూప్ 🧩
మేము వేక్ వర్డ్ కోసం పోర్కుపైన్, ట్రాన్స్క్రిప్షన్ కోసం విస్పర్, ప్రత్యుత్తరం కోసం తేలికైన “మెదడు” ఫంక్షన్ (మీకు నచ్చిన LLM తో భర్తీ చేయండి) మరియు ప్రసంగం కోసం పైపర్ను ఉపయోగిస్తాము. దానిని కనిష్టంగా ఉంచండి, ఆపై పునరావృతం చేయండి.
1) డిపెండెన్సీలను ఇన్స్టాల్ చేయండి
sudo apt install -y python3-pip portaudio19-dev sox ffmpeg pip3 install sounddevice numpy
-
పోర్కుపైన్: మీ భాష కోసం SDK/బైండింగ్లను పొందండి మరియు త్వరిత ప్రారంభాన్ని అనుసరించండి (యాక్సెస్ కీ + కీవర్డ్ జాబితా + ఆడియో ఫ్రేమ్లు →
.process). [2] -
విస్పర్ (CPU-అనుకూల): whisper.cpp ని:
git క్లోన్ https://github.com/ggml-org/whisper.cpp cd whisper.cpp && cmake -B బిల్డ్ && cmake --build బిల్డ్ -j ./models/download-ggml-model.sh base.en ./build/bin/whisper-cli -m ./models/ggml-base.en.bin -f your.wav -otxt
పైన పేర్కొన్నది ప్రాజెక్ట్ యొక్క త్వరిత ప్రారంభానికి అద్దం పడుతుంది. [4]
పైథాన్ను ఇష్టపడతారా?
faster-whisper(CTranslate2) తరచుగా నిరాడంబరమైన CPUలలో వెనిల్లా పైథాన్ కంటే వేగంగా ఉంటుంది.
2) పైపర్ TTS ని సెటప్ చేయండి
git క్లోన్ https://github.com/rhasspy/piper cd పైపర్ మేక్ # మీకు నచ్చిన వాయిస్ మోడల్ను డౌన్లోడ్ చేసుకోండి, ఉదా. en_US-amy echo "Hello there." | ./piper --model voices/en/en_US-amy-medium.onnx --output_file hello.wav aplay hello.wav
పైపర్ బహుళ వాయిస్/భాషా ఎంపికలతో పరికరంలోని TTS కోసం రూపొందించబడింది. [5]
3) పైథాన్లో కనీస సహాయక లూప్
ఉద్దేశపూర్వకంగా కాంపాక్ట్: వేక్ ఫ్రేజ్ (స్టబ్) కోసం వేచి ఉంటుంది, రికార్డ్ చేస్తుంది, whisper.cpp, ప్రత్యుత్తరాన్ని ఉత్పత్తి చేస్తుంది (ప్లేస్హోల్డర్), ఆపై పైపర్ ద్వారా మాట్లాడుతుంది. మీకు ఇష్టమైన LLM లేదా రూల్ లాజిక్తో ప్లేస్హోల్డర్ను మార్చుకోండి.
os, సబ్ప్రాసెస్, వేవ్ దిగుమతి సౌండ్డివైస్ను sdగా WAKE_WORD = "హే కంప్యూటర్" # ఉత్పత్తిలో పోర్కుపైన్ కోసం స్వాప్ చేయండి [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, సెకన్లు = RECORD_SECONDS): ఆడియో = sd.rec(int(సెకన్లు * SAMPLE_RATE), samplerate=SAMPLE_RATE, channels=CHANNELS, dtype='int16') sd.wait() wave.open(path, 'wb') తో 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): if "weather" in prompt.lower(): return "నేను మేఘాలను చూడలేకపోతున్నాను, కానీ అది బాగానే ఉండవచ్చు. ఒక సందర్భంలో జాకెట్ తీసుకురండి." "మీరు ఇలా అన్నారు:" + ప్రాంప్ట్ డెఫ్ స్పీక్(టెక్స్ట్): proc = subprocess.Popen([PIPER_BIN, "--model", PIPER_VOICE, "--output_file", 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.") అయితే 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("లూప్ను పరీక్షించడానికి wake phrase ను టైప్ చేయండి.")
నిజమైన వేక్-వర్డ్ డిటెక్షన్ కోసం, పోర్కుపైన్ స్ట్రీమింగ్ డిటెక్టర్ (తక్కువ CPU, ప్రతి-కీవర్డ్ సెన్సిటివిటీ)ను ఇంటిగ్రేట్ చేయండి. [2]
నిజంగా ముఖ్యమైన ఆడియో ట్యూనింగ్ 🎚️
కొన్ని చిన్న పరిష్కారాలు మీ అసిస్టెంట్ని 10× తెలివిగా భావిస్తాయి:
-
మైక్ దూరం: చాలా USB మైక్లకు 30–60 సెం.మీ. అనువైన పరిధి.
-
స్థాయిలు : ఇన్పుట్లో క్లిప్పింగ్ను నివారించండి మరియు ప్లేబ్యాక్ను తెలివిగా ఉంచండి; కోడ్ దెయ్యాలను వెంబడించే ముందు రూటింగ్ను పరిష్కరించండి. రాస్ప్బెర్రీ పై OSలో, మీరు సిస్టమ్ టూల్స్ లేదా
raspi-configద్వారా అవుట్పుట్ పరికరం మరియు స్థాయిలను నిర్వహించవచ్చు . [1] -
గది ధ్వనిశాస్త్రం: గట్టి గోడలు ప్రతిధ్వనులను కలిగిస్తాయి; మైక్ కింద మృదువైన చాప సహాయపడుతుంది.
-
వేక్ వర్డ్ థ్రెషోల్డ్: చాలా సున్నితంగా ఉంటే → ఘోస్ట్ ట్రిగ్గర్స్; చాలా కఠినంగా ఉంటే → మీరు ప్లాస్టిక్పై అరుస్తారు. పోర్కుపైన్ ప్రతి కీవర్డ్కు సున్నితత్వాన్ని సర్దుబాటు చేయడానికి మిమ్మల్ని అనుమతిస్తుంది. [2]
-
థర్మల్స్: పై 5 పై పొడవైన ట్రాన్స్క్రిప్షన్లు స్థిరమైన పనితీరు కోసం అధికారిక యాక్టివ్ కూలర్ నుండి ప్రయోజనం పొందుతాయి. [1]
బొమ్మ నుండి ఉపకరణానికి మారడం: సేవలు, ఆటోస్టార్ట్, హెల్త్చెక్స్ 🧯
మానవులు స్క్రిప్ట్లను అమలు చేయడం మర్చిపోతారు. కంప్యూటర్లు బాగుండటం మర్చిపోతాయి. మీ లూప్ను నిర్వహించబడే సేవగా మార్చండి:
-
systemd యూనిట్ను సృష్టించండి:
[యూనిట్] వివరణ=DIY వాయిస్ అసిస్టెంట్ After=network.target sound.target [సేవ] వినియోగదారు=pi వర్కింగ్ డైరెక్టరీ=/home/pi/assistant ExecStart=/usr/bin/python3 /home/pi/assistant/assistant.py Restart=always RestartSec=3 [ఇన్స్టాల్] WantedBy=multi-user.target
-
దీన్ని ప్రారంభించండి:
sudo cp assistant.service /etc/systemd/system/ sudo systemctl డీమన్-రీలోడ్ sudo systemctl ఎనేబుల్ --now assistant.service
-
లాగ్ టెయిల్స్:
జర్నల్క్ట్ఎల్ -యు అసిస్టెంట్ -ఎఫ్
ఇప్పుడు అది బూట్ అయినప్పుడు స్టార్ట్ అవుతుంది, క్రాష్ అయినప్పుడు రీస్టార్ట్ అవుతుంది మరియు సాధారణంగా ఒక ఉపకరణం లాగా ప్రవర్తిస్తుంది. కొంచెం బోరింగ్, చాలా బాగుంది.
నైపుణ్య వ్యవస్థ: ఇంట్లోనే దీన్ని నిజంగా ఉపయోగకరంగా చేసుకోండి 🏠✨
వాయిస్-ఇన్ మరియు వాయిస్-అవుట్ దృఢమైన తర్వాత, చర్యలను జోడించండి:
-
ఇంటెంట్ రౌటర్: సాధారణ పనుల కోసం సాధారణ కీవర్డ్ మార్గాలు.
-
స్మార్ట్ హోమ్: MQTT కి ఈవెంట్లను ప్రచురించండి లేదా హోమ్ అసిస్టెంట్ యొక్క HTTP ఎండ్పాయింట్లను కాల్ చేయండి.
-
ప్లగిన్లు :
set_timer,what_is_the_time,play_radio,run_sceneవంటి శీఘ్ర పైథాన్ విధులు .
లూప్లో క్లౌడ్ LLM ఉన్నప్పటికీ, వేగం మరియు విశ్వసనీయత కోసం స్పష్టమైన స్థానిక ఆదేశాలను ముందుగా రూట్ చేయండి.
లోకల్ ఓన్లీ vs క్లౌడ్ అసిస్ట్: మీరు ట్రేడ్-ఆఫ్లను అనుభవిస్తారు 🌓
స్థానిక మాత్రమే
ప్రయోజనాలు: ప్రైవేట్, ఆఫ్లైన్, ఊహించదగిన ఖర్చులు.
ప్రతికూలతలు: చిన్న బోర్డులపై బరువైన మోడల్లు నెమ్మదిగా ఉండవచ్చు. మీరు విస్పర్ను పరికరంలో లేదా సమీపంలోని సర్వర్లో ఉంచినట్లయితే, దాని బహుభాషా శిక్షణ పటిష్టతకు సహాయపడుతుంది. [3]
క్లౌడ్ సహాయం
ప్రోస్: శక్తివంతమైన తార్కికం, పెద్ద కాంటెక్స్ట్ విండోలు.
కాన్స్: డేటా పరికరం నుండి నిష్క్రమించడం, నెట్వర్క్ ఆధారపడటం, వేరియబుల్ ఖర్చులు.
ఒక హైబ్రిడ్ తరచుగా గెలుస్తుంది: వేక్ వర్డ్ + ASR లోకల్ → తార్కికం కోసం API ని కాల్ చేయండి → TTS లోకల్. [2][3][5]
ట్రబుల్షూటింగ్: వింతైన గ్రెమ్లిన్స్ & త్వరిత పరిష్కారాలు 👾
-
వేక్ వర్డ్ ఫాల్స్ ట్రిగ్గర్స్: సెన్సిటివిటీలను తగ్గించండి లేదా వేరే మైక్ని ప్రయత్నించండి. [2]
-
ASR లాగ్ : చిన్న విస్పర్ మోడల్ని ఉపయోగించండి లేదా విడుదల ఫ్లాగ్లతో
whisper.cppనినిర్మించండి (-j --config విడుదల). [4] -
అస్థిరమైన TTS: సాధారణ పదబంధాలను ముందే రూపొందించండి; మీ ఆడియో పరికరం మరియు నమూనా రేట్లను నిర్ధారించండి.
-
మైక్ కనుగొనబడలేదు:
రికార్డ్ -lమరియు మిక్సర్లను తనిఖీ చేయండి. -
థర్మల్ థ్రోట్లింగ్: స్థిరమైన పనితీరు కోసం పై 5లో అధికారిక యాక్టివ్ కూలర్ను ఉపయోగించండి. [1]
మీరు నిజంగా చదవాల్సిన భద్రత & గోప్యతా గమనికలు 🔒
-
APT తో మీ పై ని అప్డేట్ గా ఉంచండి.
-
మీరు ఏదైనా క్లౌడ్ API ఉపయోగిస్తుంటే, మీరు పంపే వాటిని లాగ్ చేయండి మరియు ముందుగా స్థానికంగా వ్యక్తిగత బిట్లను తిరిగి రూపొందించడాన్ని పరిగణించండి.
-
అతి తక్కువ ప్రివిలేజ్తో సేవలను అమలు చేయండి; అవసరమైతే తప్ప ExecStartలో
sudoనునివారించండి -
అతిథులు లేదా నిశ్శబ్ద సమయాలకు స్థానికంగా మాత్రమే మోడ్ను అందించండి
బిల్డ్ వేరియంట్లు: శాండ్విచ్ లాగా మిక్స్ చేసి మ్యాచ్ చేయండి 🥪
-
అల్ట్రా-లోకల్: పోర్కుపైన్ + విస్పెర్.సిపిపి + పైపర్ + సాధారణ నియమాలు. ప్రైవేట్ మరియు దృఢమైనది. [2][4][5]
-
వేగవంతమైన క్లౌడ్ అసిస్ట్: పోర్కుపైన్ + (చిన్న లోకల్ విస్పర్ లేదా క్లౌడ్ ASR) + TTS లోకల్ + క్లౌడ్ LLM.
-
హోమ్ ఆటోమేషన్ సెంట్రల్: రొటీన్లు, దృశ్యాలు మరియు సెన్సార్ల కోసం నోడ్-RED లేదా హోమ్ అసిస్టెంట్ ఫ్లోలను జోడించండి.
ఉదాహరణ నైపుణ్యం: MQTT ద్వారా లైట్లు ఆన్ అవుతాయి 💡
paho.mqtt.client ని mqtt గా దిగుమతి చేసుకోండి 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" అయితే state.lower().startswith("on") లేకపోతే "OFF" client.publish(TOPIC, payload, qos=1, retain=False) client.disconnect() # "turn on the lights" in text: set_light("on")
"లివింగ్ రూమ్ ల్యాంప్ ఆన్ చేయి" లాంటి వాయిస్ లైన్ జోడిస్తే, మీరు ఒక విజర్డ్ లాగా భావిస్తారు.
ఈ స్టాక్ ఆచరణలో ఎందుకు పనిచేస్తుంది 🧪
-
చిన్న బోర్డులపై వేక్-వర్డ్ గుర్తింపులో పోర్కుపైన్ సమర్థవంతంగా మరియు ఖచ్చితమైనది, ఇది ఎల్లప్పుడూ వినడం సాధ్యం చేస్తుంది. [2]
-
విస్పర్ యొక్క పెద్ద, బహుభాషా శిక్షణ దానిని విభిన్న వాతావరణాలు మరియు యాసలకు దృఢంగా చేస్తుంది. [3]
-
whisper.cppఆ శక్తిని పై వంటి CPU-మాత్రమే పరికరాల్లో ఉపయోగించుకునేలా ఉంచుతుంది. [4] -
పైపర్ ఆడియోను క్లౌడ్ TTS కి షిప్ చేయకుండానే ప్రతిస్పందనలను చురుగ్గా ఉంచుతుంది. [5]
చాలా పొడవుగా ఉంది, చదవలేదు
వేక్ వర్డ్ కోసం పోర్కుపైన్, ASR కోసం విస్పర్ ( whisper.cpp ద్వారా), ప్రత్యుత్తరాల కోసం మీకు నచ్చిన బ్రెయిన్, మరియు లోకల్ TTS కోసం పైపర్లను కలపడం ద్వారా రాస్ప్బెర్రీ పైతో ఒక మాడ్యులర్, ప్రైవేట్ DIY AI అసిస్టెంట్ను నిర్మించండి . దీనిని ఒక systemd సర్వీస్గా చుట్టండి, ఆడియోను ట్యూన్ చేయండి, మరియు MQTT లేదా HTTP యాక్షన్లను వైర్ చేయండి. ఇది మీరు అనుకున్నదానికంటే చవకైనది, మరియు దీనితో జీవించడం వింతగా ఆనందదాయకంగా ఉంటుంది. [1][2][3][4][5]
ప్రస్తావనలు
-
రాస్ప్బెర్రీ పై సాఫ్ట్వేర్ & కూలింగ్ – రాస్ప్బెర్రీ పై ఇమేజర్ (డౌన్లోడ్ చేసి వాడండి) మరియు పై 5 యాక్టివ్ కూలర్ ఉత్పత్తి సమాచారం
-
రాస్ప్బెర్రీ పై ఇమేజర్: మరింత చదవండి
-
యాక్టివ్ కూలర్ (పై 5): మరింత చదవండి
-
-
పోర్కుపైన్ వేక్ వర్డ్ – SDK & త్వరిత ప్రారంభం (కీవర్డ్లు, సెన్సిటివిటీ, లోకల్ ఇన్ఫరెన్స్)
-
విస్పర్ (ASR మోడల్) – సుమారు 680k గంటల పాటు శిక్షణ పొందిన బహుభాషా, పటిష్టమైన ASR.
-
రాడ్ఫోర్డ్ మరియు ఇతరులు, లార్జ్-స్కేల్ వీక్ సూపర్విజన్ (విష్పర్) ద్వారా బలమైన ప్రసంగ గుర్తింపు: మరింత చదవండి
-
-
whisper.cpp – CLI మరియు బిల్డ్ దశలతో CPU-స్నేహపూర్వక విస్పర్ ఇన్ఫరెన్స్
-
పైపర్ TTS – బహుళ స్వరాలు/భాషలతో కూడిన వేగవంతమైన, స్థానిక న్యూరల్ TTS