تصور کنید یک برد کوچک و ارزان‌قیمت، بدون نیاز به سرورهای عظیم، تمام دستورات صوتی شما را بفهمد و اجرا کند. پروژه Nova ثابت کرد که رزبری پای ۴ می‌تواند میزبان یک دستیار صوتی کامل و متن‌باز باشد.
این پروژه که در ۸ اکتبر ۲۰۲۶ منتشر شد، رویکردی ماژولار را برای تعامل صوتی پیش گرفته است. هدف اصلی Nova این است که پردازش‌های حساس را در لبه (Edge) نگه دارد و تنها برای استدلال‌های پیچیده از قدرت ابر استفاده کند.
همان‌طور که در تحلیل قبلی ما درباره‌ی احیای پروژه‌های سخت‌افزاری با استفاده از حفاظ‌های نرم‌افزاری اشاره کردیم، Nova بر پایداری و عملیات بدون نظارت تمرکز دارد. برخلاف بسیاری از پروژه‌های آماتور AI که پس از چند ساعت متوقف می‌شوند، این سیستم به‌گونه‌ای مهندسی شده که هفته‌ها بدون دخالت انسانی فعال بماند.
به نقل از گزارش dev.to، این دستیار بر اساس یک ماشین وضعیت (State Machine) سخت‌گیرانه عمل می‌کند: حالت انتظار $\rightarrow$ گوش دادن $\rightarrow$ تفکر $\rightarrow$ صحبت کردن $\rightarrow$ بازگشت به انتظار. برای مدیریت حافظه محدود ۲ گیگابایتی رزبری پای، Nova از یک معماری ترکیبی استفاده می‌کند:
- پردازش محلی: تشخیص کلمه بیدارباش (Wake word)، تشخیص فعالیت صوتی (VAD)، تبدیل گفتار به متن (STT) و تبدیل متن به گفتار (TTS) — مثل یک مترجم سریع که در لحظه حرف‌ها را می‌شنود و می‌نویسد — همگی روی خودِ دستگاه اجرا می‌شوند. این رویکرد یادآور ابزارهای دیکته‌ی محلی در لینوکس است که با اولویت دادن به حریم خصوصی، پردازش صوت را کاملاً در محیط داخلی نگه می‌دارند.
- استدلال ابری: مدل زبانی بزرگ (LLM) — شبیه کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — به‌صورت پیش‌فرض از طریق سرویس‌هایی مثل Claude، AWS Bedrock یا یک سرور محلی Ollama در شبکه داخلی اجرا می‌شود.
- حفاظ حریم خصوصی: صوت تنها در زمان فعال بودن چرخه تعامل تبدیل به متن شده و به ابر ارسال می‌شود که این اتفاق با یک بوق کوتاه اعلام می‌گردد.
بر اساس مستندات پروژه، Nova به‌طور ویژه برای زبان اسپانیایی تنظیم شده است. توسعه‌دهندگان به دلیل شکست مدل‌های انگلیسی در تشخیص درست تلفظ‌های اسپانیایی، یک مدل بیدارباش اختصاصی آموزش دادند. همچنین برای جلوگیری از توقف سیستم، یک Watchdog در سطح systemd پیاده‌سازی شده تا تفاوت بین «هنگ کردن پردازش» و «کندی پاسخ مدل ابری» را تشخیص دهد.
برای کاربرانی که به دنبال بهره‌وری هستند، این تغییر یعنی سد ورود به دنیای اتوماسیون خانگیِ خصوصی در حال فرو ریختن است. Nova اجازه می‌دهد «مغز» سیستم (یعنی LLM) را بدون تغییر در سخت‌افزار ارتقا دهید. این ابزار، رزبری پای را از یک برد سرگرمی به یک گره لبه (Edge Node) فعال و دائمی تبدیل می‌کند. در حالی که Nova بر تعامل صوتی متمرکز است، استفاده از APIهایی مانند ElevenLabs نیز مسیرهای جدیدی را برای تبدیل محتوای متنی و وب‌سایت‌ها به تجربه‌های صوتی در دسترس باز کرده است.
این معماری ثابت می‌کند که رایانش لبه (Edge Computing) لزوماً به معنای انزوا نیست. Nova با محلی نگه داشتن تشخیص بیدارباش، نگرانی‌های مربوط به میکروفون‌های همیشه روشن را حل کرده و هم‌زمان از قدرت مدل‌های پیشرو بهره می‌برد.
گام بعدی شما
- اگر رزبری پای ۴ دارید، برای درخواست دسترسی زودهنگام به کد منبع و مستندات طراحی به GitLab مراجعه کنید.
- ساختار لوله‌کشی (Pipeline) این پروژه را بررسی کنید تا متوجه شوید چگونه می‌توان بخش‌های ابری را با مدل‌های محلی جایگزین کرد.
- برای کاهش تأخیر، سعی کنید یک سرور Ollama روی شبکه داخلی خود راه بیندازید و آن را به Nova متصل کنید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو