Lokutor 團隊發布了 Oído，這是一個基於 NVIDIA Conformer-CTC Small 的開源語音辨識模型，在 ESP32-S3 微控制器上的表現優於 Whisper-tiny。該模型採用 int8 量化技術，在配備 8 MB PSRAM 的 ESP32-S3 上運行，在純淨音頻上的詞錯率為 3.7，在真實世界噪聲環境下為 8.4。該專案採用 GPLv3 授權，並提供可在筆記型電腦麥克風上測試的即時演示腳本。

事件背景

Conformer-CTC 是一種結合了用於局部模式識別的神經網路與用於全局語境的 Transformer 層次的架構，專為語音辨識任務進行優化。ESP32-S3 是一款流行的微控制器，具備內建向量指令並支援外部 PSRAM，使其適合邊緣 AI 負載。詞錯率（WER）是評估轉錄準確性的標準指標，通過將輸出文本與參考文本進行比較來計算。

社群觀察

社群成員對智慧設備的潛力表示興奮，同時指出儘管名為 Oído（西班牙語「聽見」），該模型目前尚不支援西班牙語。用戶還討論了 GPLv3 授權，並尋求適合中大型房間的相容麥克風建議。