De un vistazo
Rápido porque es local. Preciso porque el proceso no es descuidado.
Casi toda la publicidad de dictado pasa por encima del proceso. Es absurdo. El proceso es el producto. Si la señal es mala, el procesamiento por lotes es ingenuo o el entorno de ejecución es irregular, se nota al instante.
Lo que importa
- Ejecuta todo el proceso de dictado en el propio equipo.
- Limpia la señal antes del reconocimiento, no solo el texto después.
- Transmite por lotes para que los dictados largos no se atasquen al final.
- Mantiene las llamadas de red al mínimo y como algo opcional.
Proceso
El proceso en el propio equipo, paso a paso.
Detección de actividad de voz
Una puerta de voz Silero en streaming marca los tramos de habla a medida que llega el audio, de modo que el reconocimiento solo se ejecuta sobre las partes que contienen voz.
Segmentación
Los límites de las frases usan relleno y fusión para que las pausas cortas no rompan el contexto entre una intervención y otra.
Acondicionamiento del audio
Primero se aplica un filtro paso alto de 50 Hz y después una normalización de sonoridad con ponderación K. El objetivo de sonoridad depende de la ruta: la transcripción de archivos apunta a −14 LUFS, el dictado en directo apunta por defecto a −16 LUFS y a −18 LUFS en la topología alternativa.
Remuestreo
El audio de 48 kHz se convierte a 16 kHz para ajustarse de forma limpia y uniforme a lo que esperan los modelos derivados de Whisper.
Procesamiento del contexto por lotes
El dictado se transmite en bloques con un objetivo de 29 segundos, limitado a un rango de 15 a 29 segundos, de modo que las ideas largas se mantienen coherentes en lugar de reiniciarse cada pocos segundos. El objetivo no es un tope rígido: un único tramo de habla más largo que el objetivo se conserva entero.
Inferencia con Metal
Whisper se ejecuta con el backend de GPU Metal, con un modo seguro solo para CPU al que la app se queda fijada si un inicio anterior falló durante la inicialización del modelo. La ruta del codificador de Core ML está desactivada a la fuerza en la compilación, porque sus entradas de forma fija no admiten audio de duración variable.
Velocidad
Por qué se siente más rápido en la práctica.
Sin subidas
El audio nunca sale de tu Mac, así que evitas la latencia de red, los artefactos de compresión y las colas en la nube.
Cierre acotado
Al soltar el atajo solo se cierra el bloque actual, no toda la grabación. Por eso el tiempo desde que paras hasta que aparece el texto no crece con la duración del dictado. No hemos publicado una cifra medida en milisegundos y no lo haremos hasta que el benchmark salga con su script.
A ráfagas, no continuo
La inferencia solo se ejecuta mientras se cierra un bloque, no durante todo el tiempo que la app está abierta. No hay una conexión de red inactiva ni una cola de subida en segundo plano que mantenga activa la radio.
Precisión
Por qué sigue siendo preciso con el desorden normal de la vida real.
Primero, mejorar la señal
Mejoramos el audio antes del reconocimiento, en lugar de apoyarnos en trucos de prompts para rescatar después una mala transcripción.
Resistencia al ruido
La puerta Silero deja fuera de la decodificación lo que no es voz, en vez de pedirle al reconocedor que transcriba un ventilador. Filtra según la voz, así que no aplasta consonantes ni sibilantes como lo hace la supresión de banda ancha.
Vocabulario especializado
Las listas de palabras personalizadas alimentan directamente al reconocedor, lo que ayuda a que la jerga técnica y los nombres de producto sobrevivan al primer contacto.
Confianza
La privacidad y la posibilidad de revisarlo forman parte de la ingeniería.
Distribución en la Mac App Store
Voice Type se distribuye con la notarización de Apple y el sandbox activados.
Transparencia auténtica
Las reseñas de la App Store se muestran sin filtrar, incluidas las críticas.
Llamadas de red mínimas
Solo nos conectamos con Apple para comprobar el recibo y, si lo activas, con tu proveedor opcional de reescritura.
Reescritura opcional
El dictado sigue siendo local. La reescritura es opcional.
Si activas la reescritura con tu propia clave, las transcripciones pueden enviarse a un LLM rápido para darles formato, resumirlas o redactar un borrador. Lo importante es que el dictado en sí no necesita esa vía para sentirse inmediato.
Esa separación importa. Primero, la captura de voz debe ser fiable. El pulido del lenguaje puede ser opcional y venir después.