Este artículo analiza los cambios en el rendimiento al implementar una red neuronal de audio a gran escala y preentrenada en dispositivos con recursos limitados, como Raspberry Pi. Estudiamos experimentalmente el impacto de la temperatura de la CPU, la calidad del micrófono y el volumen de la señal de audio en el rendimiento, revelando que el aumento de temperatura debido al uso sostenido de la CPU activa el mecanismo de ralentización automática de Raspberry Pi, lo que afecta la latencia de inferencia. Además, demostramos que la calidad del micrófono y el volumen de la señal de audio en dispositivos económicos como Google AIY Voice Kit afectan el rendimiento del sistema. Experimentamos desafíos significativos relacionados con la compatibilidad de bibliotecas y los requisitos únicos de la arquitectura del procesador de Raspberry Pi, lo que dificulta el proceso en comparación con una computadora estándar (PC). Estas observaciones pueden ayudar a los investigadores a desarrollar modelos de aprendizaje automático más compactos, diseñar hardware que disipe el calor y seleccionar los micrófonos adecuados al implementar modelos de IA en dispositivos periféricos para aplicaciones en tiempo real.
