Raspberry Pi Pico: Speech-To-Text (STT)

Speech-To-Text (STT) ist eine Technik, bei der die Spracheingabe über ein Mikrofon digitalisiert, in Text umgewandelt wird und anschließend darauf reagiert werden kann. Sie ermöglicht Sprachsteuerung (Voice Control) für freihändiges Arbeiten an Computersystemen. Beispielsweise wie Siri, Alexa und ähnlichen Assistenten, die gesprochene Sprache analysieren und verarbeiten, um Befehle auszuführen.

Der Raspberry Pi Pico ist ein Mikrocontroller-Board und wird meist mit MicroPython oder C/C++ programmiert. Der Raspberry Pi Pico eignet sich besonders gut für Einsteiger und Bastler zum Programmieren von Steuerungen, Sensorik, Robotik oder IoT-Anwendungen.
Lösungen mit Speech-To-Text (STT) und dem Raspberry Pi Pico (Mikrocontroller-Board) basieren zwangsläufig auf externen Modulen. Die Gründe sind, dass der Mikrocontroller auf dem Pico weder ein Betriebssystem noch genügend Rechenleistung, Speicher besitzt, um komplexe Spracherkennung lokal auszuführen. Außerdem eignet er sich nicht für die Audio-Ausgabe. Darum nutzt man zusammen mit dem Raspberry Pi Pico für Speech-To-Text spezielle STT-Module oder Online-Dienst.

Externe STT-Module

Hardware-Module, die Sprache in Text umwandeln können gibt es einige. Manche beherrschen nur vorher definierte und gelernte Sprachbefehle.
Bei allen Hardware-Modulen gestaltet sich die Software-seitige Ansteuerung als schwierig. Das ist in der Regel nicht so einfach, wenn es keine Bibliotheken gibt, die dann auch noch für den Mikrocontroller verfügbar sein muss, den man verwendet.

DFRobot Gravity Offline Voice Recognition
SpeakUp Click
XMOS 2-Mic Voice Development Kit (Raspberry Pi Hat)

Online-Lösungen über API

Online-Dienste für Speech-to-Text gibt es wie Sand am Meer. Sie wandeln Sprache in Text um. Manche cloudbasierte Dienste ermöglichen eine einfache Integration über APIs. Da die Verarbeitung auf externen Servern erfolgt, entstehen jedoch Abhängigkeiten. Man ist auf eine Internet-Verbindung, die Verfügbarkeit des Online-Dienstes und Einhaltung des Datenschutzes angewiesen.
Viele Mikrocontroller-Anwendungen mit einer Sprachsteuerung arbeiten mit externen Spracherkennungsdiensten von Google, Microsoft oder Amazon.

Eine Online-Lösung möchten wir wegen der externen Abhängigkeit ausschließen.

Eigenbau-Lösung

Weil bei einer Offline-Lösung praktisch kein Weg an einem externen Modul vorbei führt und es ein solches mit den gewünschten Anforderungen nicht gibt, stellt sich die Frage nach einer Selbstbau-Lösung. Die Lösung sollte möglichst universell nutzbar sein. Die Lösung soll also nicht auf einen Raspberry Pi Pico zugeschnitten sein, sondern mit einem beliebigen Arduino oder ESP32 ohne zusätzliche Software oder Bibliotheken nutzbar sein. Außerdem sollte die Umwandlung in Sprache ausreichend schnell sein, damit interaktive Systeme möglich sind.

Wenn man sich so umsieht, entdeckt man viele funktionierende PC-Lösungen. Auch brauchbare Open-Source-Lösungen mit Linux. Ein naheliegender Gedanke ist, einen Einplatinen-Computer, wie einen Raspberry Pi als STT-Modul zu realisieren.

Die Anforderungen sehen wie folgt aus:

Die Hardware braucht zur Ausführung der Spracherkennung ausreichend viel Rechenleistung und RAM.
Auf der Hardware läuft ein Betriebssystem zur flexiblen Software-Unterstützung.

Der Einplatinen-Computer Raspberry Pi bietet im Prinzip das alles an und ermöglicht damit die Eigenbau-Lösung eines STT-Moduls.