Aquí todavía no se publica ninguna cifra de precisión
Este sitio no tiene una tasa de error de palabras medida para Voice Type, y esta página no va a inventar una. Cada cifra que publicamos viene con el script que la produjo, y el benchmark de tasa de error de palabras está bloqueado: la aplicación no tiene un punto de entrada sin interfaz, así que no se puede pasar un corpus por el reconocedor sin una persona frente al teclado. Mientras ese punto de entrada no exista, ninguna de las cifras de abajo es una cifra de precisión. Son cifras de transporte y de carga, y no conviene confundir unas con otras. Trata los porcentajes de precisión de los proveedores, incluidos los nuestros cuando lleguen, como carentes de sentido si no hay un corpus con nombre y un script repetible.
El costo fijo que paga una solicitud en la nube antes de que se mueva ningún audio
Medido en un Apple M1 Pro, macOS 26.5.1 compilación 25F80, con el Wi-Fi de casa el 2026-08-29. Doce iteraciones por endpoint. No se envió ninguna clave de API ni ningún audio, así que la respuesta medida es un rechazo sin autenticación: un viaje de ida y vuelta real hasta el borde del proveedor, con cero inferencia. Script para repetirlo: bench/connsetup.py --profile wifi --repeat 12; muestras sin procesar en bench/results/03-connection-setup-20260829T065129Z.json.
| Endpoint | Configuración antes de cualquier audio, mediana | p95 |
|---|---|---|
| api.openai.com | 30.9 ms | 61.0 ms |
| api.deepgram.com | 514.9 ms | 766.2 ms |
| En el dispositivo | nada de esto | nada de esto |
Misma máquina, misma conexión, mismo minuto, y el costo fijo difiere por un factor de 17 entre dos proveedores bien operados. Deepgram no es un servicio lento; su conexión TCP de 252.9 ms de mediana indica un punto de presencia lejano respecto a este Mac. Las salvedades acompañan a la cifra: la caché de DNS de macOS estaba caliente después de la primera solicitud, es una máquina en una conexión en un momento dado, y una solicitud real además sube audio y espera a un modelo por encima de este mínimo.
Cuánto pesan treinta minutos de dictado
Bytes medidos al codificar audio real. Script para repetirlo: bench/payloadsize.py; muestras sin procesar en bench/results/05-payload-size-20260829T070405Z.json. Un reconocedor en la nube tiene que recibir una de las tres primeras filas. Uno que funciona en el dispositivo no recibe ninguna.
| 30 minutos de dictado como | Subido |
|---|---|
| WAV sin procesar de 48 kHz | 172.8 MB |
| WAV de 16 kHz | 57.6 MB |
| Opus 24k | 5.25 MB |
| En el dispositivo | 0 bytes |
Una salvedad que afecta a las filas con pérdida: esta prueba codificó el corpus sintético de say en lugar de voz humana, y Opus y AAC usan tasa de bits variable, así que sus tamaños cambian con el contenido. Las filas de WAV no se ven afectadas.
Lo que el reconocedor recibe en realidad
Un modelo derivado de Whisper espera voz mono de 16 kHz dentro de un rango de volumen bastante estrecho. El micrófono de un MacBook entrega audio de 48 kHz al nivel que resulte de la habitación y de cómo estés sentado, con golpes en el escritorio y el zumbido del edificio por debajo. La cadena de acondicionamiento cierra esa brecha. Cada etapa corrige un defecto concreto, y las etapas tienen un orden porque una posterior depende de que la anterior ya se haya ejecutado.
Las etapas y el defecto que corrige cada una
- Detección de actividad de voz Silero: una puerta de voz en streaming marca las islas de habla, de modo que el silencio y el ruido de fondo constante nunca llegan a la decodificación y al reconocedor no se le pide que transcriba un ventilador.
- Filtrado de paso alto: un filtro de paso alto de 50 Hz elimina golpes en el escritorio, pasos y el zumbido del edificio, que quedan por debajo de la banda de voz y se comen el margen dinámico.
- Normalización de sonoridad: la normalización con ponderación K corrige la distancia al micrófono y la deriva de volumen que se produce cuando te recuestas a mitad de frase. El objetivo depende de la ruta: −14 LUFS para la transcripción de archivos, −16 LUFS por defecto para el dictado en vivo, −18 LUFS en la topología alternativa en vivo.
- Remuestreo de banda limitada: de 48 kHz a 16 kHz a través de un paso bajo, para que el contenido por encima de 8 kHz no se pliegue de vuelta a la banda de voz como un aliasing que el hablante nunca produjo.
- Sin capa de prompts correctivos: no aplicamos una limpieza agresiva con un LLM sobre la transcripción. Hace que el resultado suene seguro mientras se aleja de lo que se dijo, que es el peor tipo de fallo de precisión porque es invisible.
Lo que ninguna etapa de esta cadena arregla
- Un mal micrófono: el acondicionamiento reescala y filtra lo que hay. No puede recuperar energía de voz que la captura nunca contuvo.
- Voces que se superponen: la puerta detecta voz. Otra persona hablando es voz, así que pasa.
- Nombres propios que el modelo nunca ha visto: el vocabulario personalizado ayuda, pero un apellido poco común o un nombre en clave interno seguirá saliendo mal algunas veces.
- Un error de categoría: ninguna aplicación de dictado sustituye al Control por voz cuando la necesidad real es manejar macOS sin las manos.
Dónde está el detalle de ingeniería
- Remuestreo de banda limitada de 48 a 16 kHz, incluido cómo suena el aliasing cuando falta el filtro.
- La canalización en el dispositivo, paso a paso, desde la puerta de voz hasta la inferencia sobre Metal.