$ fr/continuation-de-la-v1

Continuation de la v1

2026-04-03

image

Reconstitution d’un environnement virtuel sain

Et… patatra… Tout se brise, et notamment la gestion du bonnet voice Adafruit.

Je dois tout recommencer pour faire en sorte que le son entre et sorte.

Étape 1 — Le vrai mur : l’audio bas niveau

Avant même de parler d’IA, le premier défi a été… le micro.

Problèmes rencontrés :

  • erreurs RPi.GPIO → conflit entre environnement Python et libs système
  • sounddevice incapable d’ouvrir le flux audio
  • PulseAudio / PipeWire qui monopolisent le device
  • ALSA qui voit la carte… mais refuse tous les formats

Symptômes typiques :

  • PortAudioError: Invalid number of channels
  • device or resource busy
  • Unable to install hw params

Leçons importantes :

  • Sur Raspberry Pi, éviter les couches audio haut niveau
  • Aller directement vers ALSA (arecord)
  • Désactiver PipeWire/PulseAudio si nécessaire
  • Vérifier la config du codec via alsamixer

Une fois cette étape passée, tout devient beaucoup plus simple.

Étape 2 — Pipeline audio fonctionnel

Après stabilisation, on obtient enfin :

micro → ALSA → enregistrement → traitement → playback

Et côté UX :

  • LED éteinte → veille
  • LED rouge → écoute
  • LED jaune → traitement
  • son → réponse

À ce stade, le robot “vit” déjà.

Étape 3 — Tentative avec Whisper (et échec)

L’étape suivante logique était la transcription avec faster-whisper.

Résultat :

  • latence énorme (plusieurs secondes voire dizaines de secondes)
  • mauvaise qualité avec modèle tiny
  • impossible de monter en qualité sans exploser le temps de calcul

Pourquoi ça échoue :

  • Raspberry Pi 4 trop limité pour du STT moderne
  • Whisper optimisé pour GPU ou CPU puissants
  • compromis qualité / vitesse impossible à tenir

Conclusion : Whisper est excellent… mais pas pour ce cas d’usage sur Pi.

Étape 4 — Pivot vers Vosk

Changement de stratégie : tester Vosk.

Résultat immédiat :

  • latence bien meilleure
  • transcription presque correcte
  • pipeline stable

Grosse amélioration.

Mais…

Nouveau problème :

  • ~10 secondes pour traiter 4 secondes d’audio
  • encore trop lent pour une interaction naturelle

Compréhension clé : mauvais problème

Le problème n’était pas le moteur.

Le problème était la tâche.

On demandait :

“Transcris librement tout ce que je dis”

Alors que le vrai besoin était :

“Reconnais quelques commandes simples”

Étape 5 — Changement de paradigme

Au lieu de faire de la dictée vocale, on passe à reconnaissance de commandes vocales

Exemple :

if "bonjour" in text:
    play("bonjour.mp3")

Ou mieux encore : limiter le vocabulaire directement dans Vosk :

rec = KaldiRecognizer(
    model,
    16000,
    '["bonjour", "histoire", "musique", "stop"]'
)

Résultat :

  • plus rapide
  • plus fiable
  • beaucoup plus robuste

Architecture finale (V1)

Wake word
    ↓
LED rouge (écoute)
    ↓
Enregistrement court (2–3s)
    ↓
Vosk (vocabulaire limité)
    ↓
Intent simple
    ↓
Réponse audio
    ↓
Retour veille

Ce qui a vraiment fait la différence

Ce qui ne marche pas bien

  • Whisper sur Raspberry Pi
  • audio abstrait (sounddevice, PulseAudio)
  • transcription libre sur CPU faible

Ce qui marche

  • ALSA direct (arecord)
  • pipeline simple et déterministe
  • Vosk avec vocabulaire restreint
  • logique d’intentions plutôt que NLP complet

Résultat

On passe de :

un prototype lent et frustrant

à :

un assistant vocal rapide, réactif et utilisable par des enfants

Et après ?

Une fois cette base solide :

  • ajouter détection de fin de parole (VAD)
  • améliorer les réponses (TTS ou sons)
  • ajouter mémoire simple
  • éventuellement brancher un LLM (mais plus tard)

Conclusion

Le point clé de ce projet n’a pas été un problème d’IA.

C’était un problème de choix d’architecture.

Sur du matériel limité :

  • il faut simplifier le problème
  • pas juste optimiser la solution