Tag: Whisper

  • Construindo Seu Próprio J.A.R.V.I.S — Parte 1: O Cérebro

    Construindo Seu Próprio J.A.R.V.I.S — Parte 1: O Cérebro

    Tony Stark conversa com J.A.R.V.I.S como se fosse uma extensão natural do próprio pensamento — um diálogo fluido entre humano e máquina onde a interface desaparece. O que torna J.A.R.V.I.S fascinante não é a potência computacional (que, sejamos francos, é puro roteiro de cinema), mas a arquitetura conceitual: um sistema que ouve, compreende, raciocina e responde — tudo localmente, tudo em tempo real, tudo sob controle do seu criador. Em 2026, essa arquitetura não é mais ficção. Você pode construí-la num mini-PC de R$2.000 com software 100% open-source. E o melhor: ela nunca vai te interromper pra vender assinatura premium.

    A Arquitetura do Cérebro: Quatro Componentes, Uma Consciência

    Um assistente pessoal inteligente precisa de quatro capacidades fundamentais: ouvir (reconhecimento de fala — speech-to-text), pensar (um modelo de linguagem que processa a intenção do comando e decide a ação), falar (síntese de voz — text-to-speech), e agir (integração com o mundo físico via automação residencial). Cada uma dessas capacidades tem uma solução open-source madura em 2026. Juntas, elas formam uma stack que roda num Raspberry Pi 5 ou num mini-PC Intel N100 de forma perfeitamente usável.

    O ouvido é o OpenAI Whisper — um modelo de reconhecimento de fala treinado em 680 mil horas de áudio multilíngue. O modelo small (1.4 GB) roda em CPU com latência aceitável (2-3 segundos por frase) e acurácia impressionante para português brasileiro. O modelo medium (3 GB) melhora a acurácia em ambientes ruidosos. Ambos rodam 100% offline. O cérebro é o Ollama com um modelo de linguagem local — Llama 3.2 (3B) ou Mistral 7B são as melhores opções para hardware modesto. O Ollama expõe uma API REST compatível com OpenAI, então qualquer ferramenta que fale com ChatGPT pode falar com seu modelo local. A boca é o Piper TTS — um sintetizador de voz neural rápido, leve (menos de 50 MB por voz) e com qualidade surpreendente. Suporta português brasileiro com vozes treinadas pela comunidade. E o corpo — o sistema nervoso central que conecta tudo — é o Home Assistant, a plataforma de automação residencial open-source mais ativa do planeta.

    Tutorial: Instalando a Stack Completa

    O hardware recomendado é um mini-PC com processador Intel N100, 16 GB de RAM e SSD NVMe de 512 GB (aproximadamente R$2.000 no AliExpress ou R$2.500 no Brasil). Um Raspberry Pi 5 com 8 GB também funciona, mas o tempo de inferência do LLM será mais lento (5-10 segundos por resposta). O sistema operacional: Ubuntu Server 24.04 LTS. Instale o Ollama com curl -fsSL https://ollama.com/install.sh | sh e baixe o modelo com ollama pull llama3.2. Instale o Whisper via Python com pip install openai-whisper. O Piper TTS tem binários pré-compilados para ARM e x86 disponíveis no GitHub do projeto. Para o Home Assistant, use o script de instalação supervisionada em Docker. A detecção de wake word (“Hey Jarvis” ou o que você preferir) fica por conta do OpenWakeWord, que roda eficientemente em CPU e suporta múltiplas palavras de ativação simultâneas.

    A orquestração pode ser feita via Rhasspy 3 — um assistente de voz completo e modular — ou com scripts Python personalizados usando as APIs REST do Ollama e do Whisper. O fluxo básico: microfone captura áudio → OpenWakeWord detecta comando → Whisper transcreve fala para texto → texto é enviado ao Ollama com um prompt de sistema que define a personalidade do assistente → resposta do LLM é convertida em fala pelo Piper TTS → automações são disparadas via Home Assistant API. Um sistema completo de intents (intenções) mapeia comandos de voz para ações concretas: “acenda a luz da sala” → light.turn_on, “qual a temperatura lá fora?” → consulta ao sensor de temperatura, “toque Miles Davis” → media_player.play.

    A Camada de Orquestração: Transformando Comandos em Ações

    O segredo para um assistente que não parece um robô desajeitado está no sistema de intenções. Cada comando de voz transcrito pelo Whisper passa por um classificador de intents que decide se é uma pergunta de conhecimento geral (“quem foi Alan Turing?”), uma automação residencial (“acenda a luz da cozinha”), ou uma ação complexa (“me acorde amanhã às 7 com um resumo do clima e as notícias”). O Home Assistant tem um sistema nativo de conversação que lida com automações — mas a mágica acontece quando você conecta o Ollama como fallback de conversação. Comandos que o Home Assistant não entende são encaminhados ao LLM local, que decide se responde diretamente ou se gera uma chamada de API para o Home Assistant. É o mesmo padrão de function calling do ChatGPT, rodando no seu porão, sem internet.

    Por Que Isso Importa: A Privacidade Como Arquitetura

    Alexa, Google Assistant e Siri processam sua voz em servidores remotos. Cada “bom dia” que você diz para uma smart speaker é armazenado, transcrito, analisado e — em muitos casos — revisado por humanos. O assistente local inverte essa equação: o microfone capta sua voz, o Whisper transcreve no seu hardware, o Ollama processa no seu processador, a resposta é sintetizada no seu alto-falante. Nenhum pacote de rede sai da sua casa. É o equivalente digital de fechar a porta: não é paranoia, é arquitetura. E num futuro próximo onde assistentes de IA serão a interface primária para tudo — compras, saúde, finanças — ter um que roda localmente não é luxo de entusiasta. É higiene digital.


    Fontes e Referências

  • Assistentes de Voz Offline: Seu Jarvis Pessoal

    Assistentes de Voz Offline: Seu Jarvis Pessoal

    Você já quis ter um assistente de voz que não manda seus dados para uma corporação? Que não depende de internet, não tem mensalidade e não grava suas conversas para “melhorar o serviço”? Em 2026, isso não é mais ficção — é um projeto de fim de semana com um Raspberry Pi 5 e três ferramentas open-source: Whisper para ouvir, Ollama para pensar, Piper TTS para falar. E o melhor: tudo roda offline, na sua mesa, sem enviar um byte para fora da sua rede.

    O Pipeline de Voz Local

    O fluxo é elegante na sua simplicidade:

    1. Captura de áudio: Um microfone USB capta sua voz. O sistema detecta quando você começa a falar (VAD — Voice Activity Detection) e grava até você terminar.
    2. STT (Speech-to-Text): O áudio é transcrito para texto pelo Whisper, modelo da OpenAI que roda 100% local.
    3. LLM (Large Language Model): O texto transcrito é enviado para um modelo de linguagem rodando no Ollama. Ele processa o comando e gera uma resposta em texto.
    4. TTS (Text-to-Speech): A resposta textual é convertida em áudio pelo Piper TTS, um sintetizador de voz neural rápido e leve.
    5. Reprodução: O áudio é tocado nos alto-falantes conectados ao Pi.

    Esse pipeline inteiro roda num Raspberry Pi 5 com 8 GB de RAM — sem GPU externa, sem assinatura, sem servidor remoto. Vamos montar isso.

    Hardware Necessário

    • Raspberry Pi 5 (8 GB): ~R$ 750 na Robocore. Os 8 GB são importantes — modelos de linguagem consomem RAM vorazmente.
    • Microfone USB: Um simples microfone USB de mesa (~R$ 50-80) funciona bem para testes. Se quiser qualidade, microfones como Blue Snowball ou Fifine (~R$ 200-350) captam voz com mais clareza em ambientes com ruído.
    • Alto-falante ou caixa de som: Qualquer caixa com entrada P2 ou USB. O Pi 5 tem saída de áudio P2 integrada e suporte a áudio via HDMI e Bluetooth.
    • MicroSD de 64 GB ou SSD USB: Os modelos ocupam espaço — o Whisper base (~150 MB), um LLM pequeno como Llama 3.2 3B (~2 GB) e o Piper (~50 MB). Com SSD NVMe via HAT, a inicialização dos modelos é instantânea.

    Passo 1: Instalar o Whisper (STT)

    O Whisper é o melhor reconhecedor de fala open-source disponível. A versão C++ (whisper.cpp) é otimizada para rodar em CPUs ARM — ideal para o Pi 5.

    # Clone e compile o whisper.cpp sudo apt install git cmake -y git clone https://github.com/ggerganov/whisper.cpp cd whisper.cpp # Baixe o modelo (tiny, base, small, medium, large) # Para Pi 5 8GB: use small (excelente trade-off velocidade x precisão) bash ./models/download-ggml-model.sh small # Compile cmake -B build && cmake --build build --config Release 

    Teste rápido: grave um áudio de 5 segundos (arecord -f cd -d 5 test.wav), depois execute ./build/bin/whisper-cli -m models/ggml-small.bin -f test.wav. Em segundos, o Whisper transcreve o áudio. No Pi 5, o modelo small processa ~1 segundo de áudio em ~1.5 segundos — quase tempo real. O modelo medium é mais preciso, mas ~2x mais lento.

    Passo 2: Instalar o Ollama (LLM)

    O Ollama é a plataforma que tornou LLMs locais acessíveis. Com um comando, você baixa e roda modelos quantizados otimizados para CPU.

    # Instale o Ollama no Pi 5 (ARM64) curl -fsSL https://ollama.com/install.sh | sh # Puxe um modelo leve para o Pi 5 # Opções por ordem de peso: # - phi (1.6GB): Microsoft Phi-3 mini — rápido, inteligente, cabe em 8GB com folga # - llama3.2:3b (2GB): Meta Llama 3.2 3B — excelente qualidade geral # - mistral (4.1GB): Mistral 7B — melhor qualidade, mas o Pi 5 sofre com modelos >4GB ollama pull phi # Teste ollama run phi "Qual é a capital do Brasil? Responda em uma frase." 

    O modelo Phi-3 mini é surpreendentemente capaz. Responde perguntas complexas, entende contexto, faz piadas. A latência no Pi 5 é de 3-5 segundos para respostas curtas — aceitável para um assistente de voz onde você já espera uma pausa natural.

    Passo 3: Instalar o Piper TTS (Text-to-Speech)

    Piper TTS é um sintetizador de voz neural desenvolvido para o ecossistema Rhasspy/Home Assistant. É rápido, leve, e tem vozes em português brasileiro.

    # Instale o Piper via pip pip3 install piper-tts # Baixe vozes em português # Vozes disponíveis: pt_BR-faber-medium, pt_BR-edresson-medium, pt_BR-female-medium wget https://huggingface.co/rhasspy/piper-voices/resolve/main/pt/pt_BR/faber/medium/pt_BR-faber-medium.onnx wget https://huggingface.co/rhasspy/piper-voices/resolve/main/pt/pt_BR/faber/medium/pt_BR-faber-medium.onnx.json # Teste echo "Olá! Eu sou seu assistente pessoal funcionando completamente offline." | piper \ --model pt_BR-faber-medium.onnx --output_raw | aplay -r 22050 -f S16_LE -t raw -c 1 

    A voz do Piper em português é natural — não vai ganhar Emmy, mas é perfeitamente compreensível e não tem aquele tom robótico do eSpeak. Os modelos “medium” são o sweet spot entre qualidade e velocidade no Pi 5.

    Passo 4: Integrar Tudo — O Assistente Completo

    Com as três peças funcionando individualmente, o próximo passo é o script de integração. Este é um assistente de voz simplificado que faz o pipeline completo:

    #!/bin/bash # assistente.sh — Pipeline de voz offline completo AUDIO_FILE="/tmp/comando.wav" RESPONSE_TEXT="/tmp/resposta.txt" RESPONSE_AUDIO="/tmp/resposta.wav" echo "🎤 Assistente ouvindo..." # 1. Grava áudio (5 segundos ou até silêncio) # -d 5 = duração máxima de 5 segundos arecord -f cd -d 5 -D plughw:1,0 $AUDIO_FILE # 2. STT: Whisper transcreve echo "🧠 Processando..." TRANSCRIPTION=$(/home/pi/whisper.cpp/build/bin/whisper-cli \ -m /home/pi/whisper.cpp/models/ggml-small.bin \ -f $AUDIO_FILE --no-timestamps -l pt 2>/dev/null | tail -1) echo "Você disse: $TRANSCRIPTION" # 3. LLM: Ollama processa ollama run phi "Você é um assistente pessoal útil e conciso chamado Jarvis. Responda esta pergunta em português, em no máximo 2 frases: $TRANSCRIPTION" > $RESPONSE_TEXT RESPONSE=$(cat $RESPONSE_TEXT) echo "Jarvis: $RESPONSE" # 4. TTS: Piper fala echo "$RESPONSE" | piper \ --model /home/pi/pt_BR-faber-medium.onnx \ --output_file $RESPONSE_AUDIO # 5. Reproduz aplay $RESPONSE_AUDIO echo "✅ Pronto!" 

    Coloque a palavra-chave “Jarvis” no início de cada comando e você tem efetivamente seu próprio assistente de voz offline. Para o modo sempre ouvindo (hotword), adicione o Picovoice Porcupine — ele detecta wake words como “Hey Jarvis” localmente com latência de milissegundos.

    Extras: Integração com Home Assistant

    O projeto fica exponencialmente mais útil quando você conecta o assistente ao Home Assistant. O Home Assistant tem uma API REST rica: você pode acionar automações, ler estados de sensores e controlar dispositivos com comandos de voz processados pelo Ollama. Imagine: “Jarvis, acenda a luz da sala” → Whisper transcreve → Ollama interpreta a intenção → seu script chama a API do Home Assistant → luz acende. Tudo local. Tudo seu.

    Limitações e Realidade

    Este assistente não compete com Alexa ou Google Assistant em velocidade ou reconhecimento de intenções complexas — o Phi-3 no Pi 5 tem ~3B de parâmetros vs centenas de bilhões na nuvem. Mas o que ele perde em potência bruta, ganha em privacidade, independência e a satisfação de ser 100% seu. E os modelos melhoram a cada mês — em 2027, o mesmo Pi 5 vai rodar LLMs que hoje exigem servidores.

    Como todo projeto maker, o assistente offline é um ponto de partida. Cada atualização de modelo, cada microfone melhor, cada integração nova é um upgrade que VOCÊ decide fazer. Sem contrato. Sem EULA de 80 páginas. Sem servidor te ouvindo 24/7. Só você, seu Pi, e a pergunta “o que mais eu posso automatizar?”.

    Fontes e Referências