Aprendizaje automático
en el dispositivo
Modelos de anti-spoofing de voz entrenados, cuantificados a INT8 y desplegados en procesadores neuronales de ultra bajo consumo. Inferencia de audio en el micrófono, nunca en la nube.
Pipeline de entrenamiento
Pipeline de entrenamiento basado en PyTorch sobre ASVspoof 2019 Logical Access. Ejecuciones reproducibles con hiperparámetros fijados, versionado de conjuntos de datos y control de semillas.
- PyTorch + ASVspoof 2019 LA
- Entrenamiento reproducible bajo control de semillas
- Métrica EER rastreada a través de épocas
Cuantificación para ultra bajo consumo
Cuantificación post-entrenamiento a INT8 con un conjunto de calibración representativo. El tamaño del modelo y la latencia de inferencia se reducen sustancialmente, manteniendo al mínimo la pérdida de precisión inducida por la cuantificación gracias a la calibración.
- PTQ con conjunto de calibración representativo
- Pérdida de precisión por cuantificación mantenida al mínimo
- Huella de memoria adecuada para NPU embebida
Despliegue en NPU
Exportación ONNX → Intermedio TFLite → Conversión de formato de proveedor NPU. Validado en proveedor UE NPU embebida y otros aceleradores de bajo consumo. Latencia de inferencia <30 ms por fotograma de audio.
- ONNX como formato de intercambio
- TFLite como intermedio
- Integración de tiempo de ejecución NPU específica del proveedor