En fouiillant un peu plus on peut trouver un Framework d'Espessif pour de la reconnaissance vocale locale,
par exemple içi : https://www.espressif.com/en/solutions/audio-solutions/esp-skainet/overview
ainsi que d'autres cartes de leur cru : LyraT, Korvo (ilas paraissent plutôt actif pour ouvrir aux divers ESP32 ce type de marché....)
EDIT : Un moteur de recherche montre diverses réalisations d'Alexa like' sur ESP32 comme celles ci avec TensorFlow Lite
https://www.youtube.com/watch?v=re-dSV_a0tM
https://www.youtube.com/watch?v=cp2qRrhaZRA