Схема локального ИИ-диктофона на ESP32: запись WAV на SD-карту, передача на компьютер и распознавание Parakeet.
Собрано в Sveska из открытых обсуждений сообщества. Авторы сообщений не указываются.
Обновлено
Локальный ИИ-диктофон можно собрать на M5Stack Cardputer ADV с ESP32-S3 или на обычном ESP32. Устройство записывает звук на карту памяти, а распознавание выполняется на подключённом компьютере; при отсутствии сети записи можно загрузить позднее.
Если сети нет, WAV-файл остаётся на карте памяти и может быть автоматически загружен позже.
Распознавание выполняется не на ESP32, а на компьютере. На компьютере запускается небольшой TCP-сервер на Python, который принимает аудиопоток и использует модель NVIDIA Parakeet TDT 0.6b v3 через библиотеку parakeet-mlx.
Нет. По сообщениям за сентябрь 2026 года, у Cardputer ADV нет PSRAM и имеется только 512 КБ SRAM, поэтому ESP-SR на устройстве не помещается. Его роль — записывать WAV на SD-карту и, при необходимости, передавать PCM16 на компьютер.
При активном стриминге по Wi‑Fi ESP32-S3 потребляет примерно 100–200 мА. Для аккумулятора 1750 мА·ч это означает несколько часов работы, а не сутки. Запись только на SD-карту с последующей загрузкой заметно повышает автономность.
Упоминался T-Embed — более «диктофонный» вариант на базе железа M5Stack. Для его использования потребуется переписать код.
Важно: цены, потребление и ограничения относятся к сообщениям за сентябрь 2026 года; распознавание в описанной схеме требует компьютера, если текст нужен сразу.
Статья собрана по сообщениям за сентябрь 2026 года.