Memory Management and Multithreading for Low Latency and Stability in On Device Voice Assistants
Notice bibliographique
Résumé
Intelligent voice assistants must keep delay low and service steady while running on devices with limited compute and power. We used a two-path design that combines fine memory control (fixed pools, pinned buffers, reuse) with multi-thread scheduling (separate I/O, feature, and decode threads with bounded queues and deadlines). A total of 128 trials were run on a smartphone SoC, an embedded Linux board, and a wearable-class microcontroller in both booth and office settings. Power on the main rail was sampled and aligned with software logs, and idle energy was subtracted. Median latency fell by about 37% and p95 latency by about 38–40%. Jitter dropped by roughly 25%, and timeout events fell by about 74%. Throughput increased by 21–28%. Memory pools and pinned buffers shortened allocation time by about 61–63% and reduced DRAM traffic by about 31–34%, improving the energy–delay product by 18–24%. Recognition accuracy stayed stable (WER ≤ 0.2 absolute; F1 change ≤ 0.3). These results indicate that controlling memory use together with task priority can reduce delay and improve stability without loss of accuracy. The method is applicable to phones, wearables, and embedded boards, but the study is limited by a small set of devices, short test periods, and English-only data. Future work will add far-field and multilingual speech, longer trials, and secure-execution tests.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».