Detección de intención por voz para un asistente de hogar inteligente

Recibes un dataset interno de 22.000 enunciados de comandos de hogar (encender luces, ajustar termostato, reproducir música) etiquetados con intención y entidades, más una división de prueba de 3.000 enunciados. Implementa un modelo end-to-end (por ejemplo SpeechT5 fine-tuneado para clasificación + extracción, o un encoder Wav2Vec2 con cabezas de tarea) y compáralo con la cascada Whisper + un modelo de comprensión del lenguaje natural. Mide F1 de intención, F1 de entidades y latencia. El éxito es F1 combinado >= 5 puntos sobre la cascada con latencia comparable.