1
Słuchaj
Matryca mikrofonów, strumień 16 kHz, bramkowanie VAD.
Neckband, lokalnie, dwujęzycznie
HearSense
Dźwięk, który widać.
Napisy na żywo, alerty z poziomami istotności i wibracje na nadgarstku. Cała inferencja działa lokalnie na urządzeniu.
- ONZ SDG 10
- WCAG 2.2 AA
- Lokalnie, bez chmury
Luka informacyjna
Dźwięk to informacja. Większość z niej nie dociera do osób głuchych.
1,5 mld
osób na świecie żyje z ubytkiem słuchu (WHO, 2024).
Aparaty słuchowe wzmacniają. Nie tłumaczą.
Potok
Trzy kroki, jeden ciągły strumień.
2
Rozumiej
ASR, klasy dźwięku, prozodia, intencje rozmowy.
3
Pokaż
Napisy, alerty, wzorce wibracji.
Co potrafi
Sześć rzeczy, od początku do końca.
Napisy na żywo
Mowa w czasie rzeczywistym, EN i PL.
Alerty dźwiękowe
527 klas, trzy poziomy istotności.
Krytyczne Powiadomienie Otoczenie
Inteligentne odpowiedzi
Trzy gotowe podpowiedzi do dotknięcia.
Wykrywanie imienia
Słyszy imię w dowolnej odmianie.
Wyczuwa śmiech
Wie, kiedy w pomieszczeniu jest śmiech.
Dwujęzyczne ASR
Jeden model, dwa języki, automatyczne wykrywanie.
Stos technologiczny
Otwarte modele, mierzone na całej drodze.
Każdy model w potoku jest open-source lub odtwarzalny z publikacji naukowej.
ASR NVIDIA Parakeet TDT 0.6B
Klasy dźwięku EfficientAT mn10_as · 527 klas AudioSet
VAD Silero
Prozodia pyin / CREPE
Odpowiedzi Model2Vec (tylko wyszukiwanie)
Środowisko ONNX Runtime · CPU · aarch64
Sprzęt
Trzy zespoły, połączone bezprzewodowo.
Cała inferencja działa lokalnie. Bez chmury.
Jednostka obliczeniowa
Raspberry Pi CM5 (8 GB), czterordzeniowy Cortex-A76. Aktywne chłodzenie dla ciągłej inferencji.
Neckband
Matryca mikrofonów MEMS po I2S, mostek USB Audio Class na RP2040. Przechwyt 32 kHz, redukcja do 16 kHz programowo.
Opaska haptyczna
ESP32-S3 po BLE. Cztery silniki LRA przez DRV2605L. Pięć wzorców istotności, docelowo poniżej 150 ms.
Okulary AR (opcjonalne)
INMO Air3 po WiFi 5 GHz. Napisy w polu widzenia. System działa też bez nich.
Zasilanie i waga
Ogniwo litowo-jonowe 18650. Około 211 g bez okularów. Od 1 do 1,3 h w trybie demo.
Lokalnie, prywatnie
Bez chmury dla kluczowych funkcji. Dźwięk nigdy nie opuszcza urządzenia.
Liczby
Mierzone tam, gdzie to ważne.
Pomiary ze stałego zestawu nagrań referencyjnych dołączonego do repozytorium. Pełne testy z użytkownikami to kolejny etap.
≈ 300 ms
odczuwalne opóźnienie napisów
527
klas dźwięku
10
intencji rozmowy
< 1 ms
wyszukiwanie odpowiedzi
Nasze zobowiązanie
Projektujemy uczciwie, od pierwszego dnia.
To zobowiązania i intencje. Tam, gdzie praca nie została jeszcze wykonana, mówimy to wprost.
01
Tłumaczenie, nie „naprawa”
Nie twierdzimy, że „naprawiamy” głuchotę. Tłumaczymy dźwięk na wzrok i dotyk.
02
Współprojektowanie
Testy z osobami głuchymi i słabosłyszącymi poprzedzają domknięcie technologii, a nie odwrotnie.
03
Dźwięk zostaje lokalnie
Cała inferencja na urządzeniu. Bez chmury, bez wycieku dźwięku poza ciało.
04
Dostępność od początku
WCAG 2.2 AA w urządzeniu i na tej stronie, od pierwszego kroku.
Wpływ
Jeden kanał świata, udostępniony.
SDG 10
Mniej nierówności
Zmniejszamy lukę informacyjną między osobami słyszącymi a głuchymi w tym samym pomieszczeniu.
- Działa bez telefonu w ręku
- Dwujęzyczne od pierwszego dnia
- Otwarty sprzęt, otwarte modele
- Podstawa: WCAG 2.2 AA