你对着一件小家电说出完整句子，它若想把声音变成文字，通常得把录音交给云端，或依赖专门的 AI 芯片。Oído 想把这一步留在设备里：一颗资源远少于手机和电脑的 ESP32-S3 微控制器，不接云端，也没有 GPU 或 NPU，就能识别任意英语句子，而非只听懂几条预设口令。
这也是“5 美元芯片也能听懂人话”真正指向的事情。更准确地说，它做的是自动语音识别（ASR）——把语音转成文字，并不代表机器理解了话里的意思。“5 美元”则来自项目标题，团队没有交代具体采购渠道、数量或整板成本，因此更适合看作低成本定位，而不是可复核的固定价格。
本文数据均来自 Lokutor 团队于 2026 年 9 月 30 日公开的项目材料，目前仍属于项目方单一信源，尚无独立复现结果。
它怎样塞进一颗小芯片？
Oído 使用 NVIDIA Conformer-CTC Small，约 1300 万个参数。参数可以理解为模型训练后记住的数字规则；数量越多，通常越占空间、越费计算。团队又做了 int8 量化，把模型计算压缩为 8 位整数运算，以降低资源需求。
目标设备是带 8 MB PSRAM 和 16 MB flash 的 ESP32-S3。PSRAM 是运行时可用的外部内存，flash 则用来长期存放程序和模型。团队称，模型权重直接从 flash 读取，再由专门为 ESP32-S3 编写的 C 推理引擎完成整数矩阵运算。说白了，它没有把电脑上的语音模型原封不动搬过去，而是围绕这颗小芯片有限的内存和算力，重新安排模型如何存、如何算。
这里没有 GPU——擅长大规模并行计算的图形处理器，也没有 NPU——专门加速神经网络的单元。项目强调的正是：普通微控制器也能承担开放词汇识别，不必局限于“开灯”“关灯”这样的固定命令表。
项目方公布的成绩有多好？
团队用词错误率（WER）衡量识别效果。它统计识别结果中替换、漏掉和多出的词所占比例，数字越低通常越好。
据 Lokutor 项目公布的数据，Oído 在 LibriSpeech 的 test-clean 和 test-other 测试中，WER 分别为 3.7% 和 8.2%；项目列出的 Whisper tiny.en 对照值是 6.3% 和 15.9%。在加入 DEMAND 的汽车、厨房和餐厅噪声，以及多人声和混响后，Oído 的平均 WER 为 8.4%，对照的 Whisper tiny.en 为 12.1%。
这些数字说明，至少在团队选定的英语测试中，小模型并没有因为运行平台小就必然输给 Whisper tiny.en。项目标题把它概括为“beats Whisper-tiny”，但这句话需要收窄理解：对照对象实际是 Whisper tiny.en，而且 Oído 跑在 ESP32-S3 上，对照模型跑在笔记本电脑上。它是识别结果的比较，不是同硬件、同资源条件下的全面胜负。
为什么值得关注？
Oído 的看点不只是又一个更小的模型，而是把完整英语句子的转写推进到了微控制器这一档设备。对低成本语音设备开发者来说，这意味着一种不同的产品路径：设备可以在本地完成语音转文字，不依赖云端，也不必额外配置 AI 加速器。
项目已经开源，并提供 live_demo.py。开发者可以用电脑麦克风体验与目标芯片一致的算术过程。团队还称，主机版运算已与固件保持一致，并在 Espressif 的 QEMU 模拟器——一种用软件模拟目标硬件的工具——中核对了输出。
局限与未知
- 截至公开当日，实体开发板的运行时间测量仍未发布；材料也没有给出实时率和实际内存占用，因此还无法判断它能否流畅用于具体产品。
- 项目没有披露双方的解码参数、数据预处理及是否采用完全相同的评测流程；噪声测试的样本构造、信噪比、混响条件和统计口径也不清楚。“优于 Whisper tiny.en”目前只能视为项目方在这些测试上的报告。
- 已公开结果只覆盖英语，不能外推到中文、多语言或任意现实环境。团队虽透露西班牙语版本已经完成，但尚未发布。