2026-05-17

Robie V1.2 — Le moment où le projet commence à “vivre”

Ces dernières semaines, j’ai énormément travaillé sur des sujets très différents :

• pipeline documentaire,
• automatisation,
• IA appliquée à la documentation,
• workflows,
• intégrations…

Mais pendant ce temps-là, un autre projet continuait doucement à évoluer en arrière-plan : Robie.

Et cette fois, quelque chose d’important a changé. Robie commence enfin à devenir un vrai système cohérent.

Un système qui possède une architecture claire, des responsabilités séparées, des composants réels, une voix, et surtout : une sensation d’existence.

---

Le piège classique des projets perso ambitieux

Quand on construit un assistant vocal local sur Raspberry Pi avec :

• STT,
• fuzzy matching,
• LLM,
• orchestration conversationnelle,
• audio temps réel,
• mémoire de progression,
• contrôle continu,
• playback intelligent…

… le risque est immense de vouloir tout brancher immédiatement.

Et très souvent, on obtient beaucoup de complexité, et rien de réellement fonctionnel.

Cette fois, j’ai essayé une approche différente :

petites briques indépendantes
+
architecture propre
+
wins rapides et visibles

Et honnêtement ? Ça change complètement l’énergie du projet.

---

L’architecture commence à se stabiliser

La V1.2 repose maintenant sur une séparation assez nette des rôles.

L’idée générale :

Micro
  ↓
Vosk (STT)
  ↓
Intent Router
  ├─ intents simples → exécution directe
  └─ intents complexes → Qwen
          ↓
      Intent structuré
          ↓
      Confirmation vocale
          ↓
      mpv

avec :

• Vosk pour la transcription locale,
• RapidFuzz pour retrouver les livres malgré les erreurs vocales,
• Qwen pour la compréhension sémantique,
• LangGraph pour les états conversationnels,
• mpv pour la lecture audiobook réelle.

Le point architectural majeur confirmé :

Le LLM ne doit PAS être le moteur de recherche principal.

Donc :

transcription
→ matching local
→ shortlist
→ compréhension LLM

et surtout pas :

bibliothèque complète
→ LLM

Ça paraît presque évident dit comme ça. Mais énormément de tutoriels IA oublient ce type de séparation fondamentale, et vous font cramer du token, ou ne sont pas adaptables à un hardware léger comme le Pi.

---

Premier vrai pipeline fonctionnel

Le premier pipeline réellement validé est minuscule… mais très satisfaisant :

Intent structuré
    ↓
lookup bibliothèque
    ↓
génération phrase naturelle
    ↓
TTS
    ↓
audio réel

Robie parle désormais réellement.

Par exemple :

Intent(
    intent="play_audiobook",
    book_id="rdf_04",
    start_mode=StartMode.BEGINNING,
)

↓

Tu veux écouter Les Royaumes de feu, tome 4, L'île au secret, depuis le début ?

Et ce qui est amusant, c’est que ce comportement extrêmement simple change déjà complètement la perception du projet.

---

Pydantic partout : la paix mentale

Une autre décision importante a été de définir très tôt les structures internes :

• Book
• Library
• Intent
• ConfirmationResponse
• StartMode

avec validation Pydantic.

Ça semble parfois “sur-ingénieré” pour un projet perso.

Mais en réalité, ça apporte très vite :

• une vraie source de vérité,
• des contrats stables,
• une réduction énorme du chaos,
• et surtout une capacité à faire évoluer le système sans tout casser.

---

Le détail que j’aime beaucoup : les confirmations non binaires

Un point que j’aime particulièrement dans l’architecture actuelle :

les confirmations ne sont pas conçues comme des simples “oui/non”.

Exemple :

Robie :
“Tu veux écouter L’île au secret depuis le début ?”

Enfant :
“Non, reprends là où ça en était.”

Ici :

• le livre était correct,
• seule la modalité était fausse.

Donc le système garde un pending_intent modifiable.

C’est un petit détail architectural… mais qui rapproche énormément le comportement d’une vraie interaction naturelle.

---

RapidFuzz arrive ensuite

La prochaine grosse étape va être le matching fuzzy local.

Objectif :

"lis royaume de feu tome saint"
↓
rdf_05

malgré une transcription imparfaite de Vosk.

Et là encore, le principe retenu est volontairement pragmatique :

normalisation légère uniquement :

• lowercase,
• suppression accents,
• suppression ponctuation,

mais PAS :

quatre → 4

afin de préserver les erreurs phonétiques réalistes des sorties STT.

---

Ce que ce projet m’apprend surtout

Je crois que le plus intéressant ici n’est même pas technique.

Le vrai apprentissage récent est probablement celui-ci :

les petits wins visibles changent complètement la dynamique mentale d’un projet long

Pendant longtemps, Robie était surtout :

• une vision,
• une architecture théorique,
• des notes,
• des idées.

Aujourd’hui :

• il possède une bibliothèque réelle,
• une structure stable,
• une première voix,
• un pipeline cohérent,
• des états conversationnels qui commencent à émerger,
• et une personnalité technique identifiable.

Le projet commence réellement à “exister”.