Whisper DictatorApp para Windows

Queríamos dictar sin mandarle el audio a nadie.

Construimos una aplicación de dictado por voz que transcribe dentro de tu propia computadora. Esta página no es para venderla: es el relato de por qué decidimos hacerla así.

Whisper Dictator · dictadoTranscribiendo localmente
  1. 1Presionó
  2. 2Habló
  3. 3Soltó
LocalTexto
Qué es

Antes del relato, qué es exactamente.

Un párrafo con los hechos, para que nadie tenga que adivinar de qué estamos hablando.

Whisper Dictator es una aplicación para Windows que convierte la voz en texto. Mantienes presionada una tecla, hablas, la sueltas, y el texto aparece escrito donde ya estaba el cursor: correo, editor, navegador, sistema interno. La transcripción ocurre dentro de tu computadora: no se envía audio a ningún servidor, y después de la instalación funciona sin conexión.

El problema que vimos

El problema nunca fue la velocidad del dictado.

Era a dónde iba el audio: una discusión que termina antes de empezar.

Veíamos el mismo escenario en consultorios, oficinas y áreas técnicas: buena parte de la jornada se convierte en registro. La consulta terminó, y alguien tiene que convertir lo que ya sabe en texto dentro de un sistema. El trabajo está hecho; lo que queda es escribirlo, compitiendo con la consulta siguiente.

La salida obvia sería dictar, y casi todo el mundo ya lo había intentado. Lo que frenaba todo era siempre el mismo detalle: los servicios de dictado que vienen con el sistema o con el navegador envían el audio al servidor de otra empresa. Nota de paciente, declaración, cláusula, número de cuenta: todo sale de la computadora antes de convertirse en texto. En un sector regulado, ahí se termina la conversación.

Había además un detalle que el material de ventas de estos servicios no menciona: sin internet, no hay dictado. La herramienta falla justo donde sería más útil: en el avión, en la zona con mala señal, en el consultorio con una red inestable. Fue la suma de esas tres cosas lo que nos convenció de construir en lugar de recomendar algo ya hecho.

Las decisiones que tomamos

Tres decisiones que definieron el resto del proyecto.

Cada una cerró una puerta. Vale más explicar lo que cerramos que enumerar lo que quedó abierto.

01 · Dónde procesar

En la computadora del usuario, no en nuestra nube

Fue la decisión más cara, y la primera. Ejecutar el reconocimiento de voz en un servidor nuestro habría sido más simple de mantener y habría funcionado en cualquier sistema operativo. Elegimos lo contrario: el modelo se descarga al disco durante la instalación y la transcripción ocurre ahí. El precio es una configuración inicial más larga y una dependencia del hardware de quien lo usa. El beneficio es lo único que resolvía el problema de origen: el audio no sale.

02 · Cómo activarlo

Presionar una tecla en vez de escuchar siempre

La alternativa cómoda era una palabra de activación, con el micrófono siempre abierto esperando el comando. La descartamos porque, en la práctica, deshace la decisión anterior: no sirve de nada procesar localmente si el micrófono queda encendido todo el día. La activación es un gesto explícito: el micrófono solo se enciende mientras la tecla está presionada. Cuesta no poder dictar con las manos ocupadas, y nos parece un costo justo.

03 · Dónde entregar

Escribir en el campo que ya estaba abierto

Podríamos haber hecho una ventana propia con el texto para que lo copies. Habría sido más fácil de construir y funcionaría igual en todas partes. Pero crearía un lugar más del que el texto tiene que salir, justo la fricción que queríamos eliminar. El atajo es global y el texto entra donde ya estaba el cursor. El precio aparece en la compatibilidad: eso es lo que ata la aplicación a Windows por ahora.

Hasta dónde llegó, con honestidad

Lo que funciona hoy y lo que todavía no.

Un límite declarado vale más que un superlativo, sobre todo cuando probarlo lleva diez minutos.

Lo que funciona

99 idiomas reconocidos, que se eligen en el menú de la bandeja del sistema, y basta con una PC común con 4 GB de memoria. Una tarjeta gráfica NVIDIA lo acelera, pero no es obligatoria. Además del dictado en vivo, los archivos de audio y video que ya tienes se transcriben completos en tu propia computadora, sin subirlos y sin cobro por minuto. La versión gratuita permite siete transcripciones por día, con todos los modelos e idiomas.

Lo que no funciona

Hoy existe solo para Windows 10 y 11; Mac y Linux están en la hoja de ruta, sin fecha. Y transcribe lo que dices o el archivo que eliges; no se queda escuchando una reunión en vivo para producir un acta que identifique quién habló. Eso es otra categoría de herramienta.

La contrapartida que heredas

La precisión varía según el tamaño del modelo. Un modelo más grande acierta más y tarda más; uno más pequeño responde al instante y se equivoca un poco más. No hay ajuste que resuelva los dos lados, y la elección queda en manos de quien lo usa.

Whisper Dictator nació dentro de Sincron IA, el mismo equipo que hace automatización de procesos en la operación de sus clientes. Cuando el cuello de botella es más grande de lo que una herramienta puede resolver, el camino es la etapa de Discovery.

¿Quieres conocer el producto de verdad?

La compra, la descarga y la documentación están en su sitio. Este texto fue solo para explicar por qué existe.