Quantization INT8 pour l'ASR embarqué : ce que ça coûte vraiment
Analyse des compromis réels de la quantification INT8 sur des modèles de reconnaissance vocale embarqués, avec mesures sur matériel frugal.
Laboratoire de recherche
ClaborIA
IA frugale pour les terrains à faibles ressources.
Des modèles conçus pour tourner là où les ressources sont rares, au service des communautés sous-représentées et trop souvent laissées pour compte par l'IA mainstream : c'est ce que nous construisons et mesurons.
Articles récents
Tous les articles →Cheat Notes
Toutes →ONNX & ONNX Runtime en 1 page
Format d'échange interopérable pour modèles de deep learning, avec runtime optimisé multi-cible.
WER vs CER : bien mesurer l'ASR
Deux métriques d'évaluation pour la reconnaissance vocale — comment les choisir, les calculer et éviter les pièges.
Benchmark en avant
Tous les benchmarks →ASR frugal sur FLEURS — sous-ensemble africain
Reconnaissance automatique de la parole (ASR) en langues africainesComparaison de modèles ASR ouverts sur le sous-ensemble africain de FLEURS (Wolof, Haoussa, Yoruba, Swahili), avec contrainte mémoire < 2 Go RAM et latence < 3 s sur Snapdragon 439.
wohayosw
Voir les résultats → Applications
Toutes →Application Android de reconnaissance vocale fonctionnant entièrement hors-ligne, optimisée pour les smartphones à 2 Go de RAM et processeurs Snapdragon 439/632.
Contraintes ≤ 2 Go RAM · Snapdragon 439 · Android 8+ · APK < 80 Mo · 0 permission réseau