Moonshine Micro: Speech Recognition dan TTS di Bawah 500 KB RAM

Tim di Moonshine AI baru saja merilis Moonshine Micro, sebuah toolkit voice AI yang dirancang khusus untuk microcontrollers dan prosesor embedded. Yang membuatnya menarik: seluruh pipeline voice activity detection, speech-to-text, dan text-to-speech bisa berjalan dalam memori tidak lebih dari 470 KB RAM.

Sebagai referensi, platform yang digunakan adalah Raspberry Pi RP2350, sebuah microcontroller yang dijual seharga sekitar 80 sen. Ini membuka kemungkinan besar untuk membangun perangkat pintar berbasis suara dengan biaya sangat rendah tanpa ketergantungan pada cloud.

Komponen Utama Moonshine Micro

Toolkit ini terdiri dari tiga komponen utama yang bisa digunakan secara independen maupun sebagai pipeline utuh. Setiap komponen dioptimalkan untuk resource terbatas tanpa mengorbankan akurasi secara signifikan.

Voice Activity Detection (VAD)

Modul VAD membutuhkan sekitar 89 KiB flash dan 36 KiB SRAM dengan komputasi sekitar 0,8 MMAC per frame. Fungsinya adalah mendeteksi apakah ada suara manusia dalam streaming audio, sehingga prosesor tidak perlu melakukan speech recognition terus-menerus. Ini menghemat daya baterai secara drastis pada perangkat portable.

Speech-to-Text (STT)

Model STT yang digunakan bernama SpellingCNN. Ukuran flash sekitar 1,3 MiB dan puncak SRAM mencapai 346 KiB. Kecepatan komputasinya sekitar 36 MMAC per detik, yang masih sangat ringan untuk microcontroller modern. Hasilnya adalah transkripsi teks real-time langsung dari input mikrofon tanpa perlu mengirim data ke server eksternal.

Neural Text-to-Speech (TTS)

Bagian TTS menggunakan neural diphone synthesis pada sampling rate 16 kHz. Voice pack membutuhkan sekitar 1,8 MiB flash dan 340 KiB SRAM. Waktu respons tipikal untuk klasifikasi plus output suara berkisar antara 0,7 hingga 1,0 detik. Ini berarti perangkat bisa merespons perintah suara hampir secara instan.

Spesifikasi Memori dan Performa

Secara total, demo pipeline pada RP2350 membutuhkan sekitar 3,6 MiB flash dan 468 KiB SRAM. Angka ini sangat impresif mengingat RP2350 hanya memiliki 520 KiB SRAM total. Tim Moonshine memanfaatkan teknik time-sharing pada satu arena TensorFlow Lite Micro berukuran 384 KiB, sehingga komponen VAD, STT, dan TTS tidak memakan memori secara bersamaan.

Komputasi gabungan saat aktif berada di kisaran 0,7 hingga 1,0 detik untuk classify plus speak. Ini menunjukkan bahwa pipeline tidak hanya muat secara teori, tapi juga praktis untuk aplikasi interaktif sehari-hari seperti smart switch, voice remote, atau asisten suara sederhana.

Lisensi dan Kemudahan Integrasi

Seluruh kode dirilis di bawah lisensi MIT, yang sangat permissive dan cocok untuk aplikasi komersial. Developer bebas mengintegrasikan, memodifikasi, dan mendistribusikan ulang tanpa khawatir tentang restriksi lisensi. Moonshine Micro juga menyediakan contoh end-to-end yang menunjukkan cara mengatur koneksi WiFi pada microcontroller menggunakan perintah suara.

Integrasi teknis relatif mudah karena toolkit ini dibangun di atas TensorFlow Lite Micro, sebuah runtime machine learning yang sudah familiar bagi banyak embedded developer. Tidak perlu belajar framework baru yang eksotis untuk mulai bereksperimen.

Potensi Aplikasi di Indonesia

Bagi developer hardware di Indonesia, Moonshine Micro membuka peluang besar untuk membangun produk IoT lokal dengan fitur voice interface. Bayangkan smart home device berbahasa Indonesia yang bisa diproduksi massal dengan biaya komponen sangat rendah. Atau alat bantu difabel berbasis suara yang tidak memerlukan koneksi internet konstan.

Selain itu, kemampuan running offline berarti data suara pengguna tidak perlu dikirim ke server cloud. Ini sangat relevan dengan kesadaran privasi yang semakin meningkat di kalangan konsumen Indonesia. Produk yang menjamin data tetap lokal memiliki nilai jual tambah yang signifikan.

Kesimpulan

Moonshine Micro adalah bukti bahwa AI edge computing sudah mencapai titik di mana voice interfaces tidak lagi eksklusif untuk perangkat flagship. Dengan memory budget di bawah 500 KB dan harga referensi hardware 80 sen, barrier to entry untuk membangun produk voice-enabled telah turun drastis. Bagi founder dan developer yang ingin memasuki pasar IoT consumer, toolkit ini patut masuk daftar evaluasi teknologi.