Picovoice/rhino

Rhino とは何か？

Rhino は Picovoice の 音声から意図への変換エンジン です。マイク（またはオーディオファイル）を監視し、小さなニューラルネットワークをデバイス上で実行し、ユーザーが何をしたいのか（意図）を構造化された形式で直接返します。また、抽出された変数（スロット）も含みます。たとえば、以下のように発話すると：

「小さなダブルショットのエスプレッソをください。」

以下の結果が得られます：

{
  "isUnderstood": true,
  "intent": "orderBeverage",
  "slots": {
    "beverage": "espresso",
    "size": "small",
    "numberOfShots": "2"
  }
}

なぜ重要なのか

デバイス内処理、低レイテンシ – クラウドへの通信が不要なので、オフラインでも動作し、プライバシーを尊重します。
極小のフットプリント – マイコン（Cortex-M）、Raspberry Pi、スマートフォン、ブラウザ、デスクトップOSなど、幅広いプラットフォームに対応。
カスタマイズ可能 – デベロッパーは Picovoice Console を使って独自の コンテキスト（コマンドの集合）を作成できます。
クロスプラットフォーム SDK – Python、.NET、Java、Flutter、React Native、Android、iOS、Web（JS）、Node.js、および純粋な C 用の即時利用可能なライブラリが用意されています。

動作原理

コンテキストの定義 – YAML ファイルで、ユーザーが発話する可能性のある表現（例：「$locationのライトを消して」）を意図と関連付け、必要に応じて部分を スロット（変数）としてマークします。例：
```
turnLightOff:
  - $locationのライトを消して。
```
モデルのトレーニング – Picovoice のクラウドサービスがコンテキストをバイナリ（*.rhn）にコンパイルし、そのドメインに最適化された小さなニューラルネットワークを埋め込みます。
推論の実行 – SDK がバイナリを読み込み、16ビット PCM オーディオをフレーム単位で処理します。発話が完了すると、Inference オブジェクト（is_understood、intent、slots の辞書）を返します。

すぐに始める（Python のクイックスタート例）

# SDK のインストール
pip3 install pvrhino

import pvrhino

access_key = "YOUR_ACCESS_KEY"
context_path = "/path/to/your/context.rhn"

rhino = pvrhino.create(access_key=access_key, context_path=context_path)

while True:
    audio_frame = get_next_audio_frame()          # 16ビット PCM、長さ = rhino.frame_length
    if rhino.process(audio_frame):                # 発話が完了したときに True を返す
        inf = rhino.get_inference()
        if inf.is_understood:
            print("Intent:", inf.intent)
            print("Slots:", inf.slots)
        else:
            print("理解できませんでした")
        rhino.delete()                            # ネイティブリソースを解放
        break

他の言語でも同じパターンが適用されます。各 SDK は sample_rate、frame_length、process()、get_inference() を公開しています。

体験してみるには？

Web デモ – https://picovoice.ai/demos/barista/ でインタラクティブなバリスタデモをご覧ください。
デスクトップ／エムベデッドデモ – demo/ フォルダには、C、Python、.NET、Java、Flutter、React Native、Android、iOS、Node.js 用の事前ビルド済み例が含まれており、マイクライブとファイルベースの推論の両方を示しています。
ベンチマーク – README にリンクされた speech-to-intent-benchmark で、クラウドサービスとの公開比較をご覧いただけます。

どんな人に向いているか？

クラウドに音声を送信せずに常に音声制御が必要な IoT／エムベデッドデバイス（スマートライト、コーヒーメーカー、温度調節器など）。
オフライン音声コマンドを希望する モバイルアプリ。
プライバシーを守る音声インタラクションが必要な Webアプリケーション。
Picovoice Console を使って、簡単な YAML ベースのインターフェースで、小さな固定コマンドセットを素早く定義したい プロトタイピング開発者。

制限事項

特定の、限定された語彙（コンテキスト）に最適化されています。汎用的な音声認識エンジンではありません。
エンジンをロードするには アクセスキー（トライアルは無料、本番環境では商用ライセンスが必要）が必要です。
指定された 9 言語以外のカスタム言語サポートは、商用顧客にのみ提供されます。

クイックリファレンスリンク

GitHub リリース – https://github.com/Picovoice/rhino/releases
Picovoice Console（コンテキスト作成） – https://console.picovoice.ai/
SDK ドキュメント – README の SDKs セクション内の言語別セクションをご参照ください。
パッケージマネージャ – Maven、npm、NuGet、CocoaPods、Pub、PyPI でそれぞれのバインディングが利用可能です。

TL;DR

Rhino は、小さなオフラインニューラルネットワークを埋め込み、音声コマンドを構造化された意図に変換できます。マイコンからブラウザまで、あらゆるプラットフォームで動作し、シンプルな YAML ベースのコンソールで独自のコマンドセットを定義可能です。固定ドメイン向けに信頼性が高く、低レイテンシの音声制御が必要な場合、Rhino が最適なソリューションです。