Embarqué
Machine Learning
Modèles d'anti-spoofing vocal entraînés, quantifiés en INT8 et déployés sur des processeurs neuronaux à très faible consommation. Inférence audio au microphone, jamais dans le cloud.
Training pipeline
Pipeline d'entraînement fondée sur PyTorch sur ASVspoof 2019 Logical Access. EER <2% en validation. Exécutions reproductibles avec hyperparamètres figés, versionnage des jeux de données et contrôle des graines.
- PyTorch + ASVspoof 2019 LA
- Reproducible training under seed control
- EER metric tracked across epochs
Quantification pour très faible consommation
Quantification post-entraînement en INT8 avec jeu de calibration. Taille du modèle réduite d'un facteur 4, latence d'inférence réduite dans des proportions analogues, tandis que la dégradation de l'EER est maintenue sous 0,5%.
- PTQ avec jeu de calibration représentatif
- EER degradation <0.5% post-quantization
- Empreinte mémoire adaptée aux NPU embarqués
NPU deployment
ONNX export → TFLite intermediate → NPU vendor format conversion. Validated on fournisseur UE NPU embarqué and other low-power accelerators. Inference latency <30 ms per audio frame.
- ONNX as exchange format
- TFLite as intermediate
- Vendor-specific NPU runtime integration