Dictado sin muletillas: Whisper local y Claude para limpiar el texto

El habla real nunca suena limpia: está llena de muletillas, frases cortadas, autocorrecciones. Un desarrollador de la Escuela Superior de Negocios de la HSE, que escribe libros y dicta mucho, creó un sistema que convierte «Bueno, o sea, yo, esto, quería decir que, bueno, la llamada de mañana se mueve, eh, a las tres, no, a las cuatro» en el texto limpio «Quería decir que la llamada de mañana se mueve a las cuatro», en 2 a 3,5 segundos.

Transcripción local y limpieza en la nube

El dictado funciona sobre Handy, una aplicación de código abierto construida con Tauri (licencia MIT). El habla la transcribe Whisper Large v3 Turbo directamente en el ordenador, sin que el audio salga de la máquina. En una tarjeta gráfica RTX 4080 Super, 8 segundos de habla se transcriben en 0,17 segundos, y 42 segundos en 0,45 segundos. Para el ruso se usa la compilación klava-nevinovata, que incluye indicaciones predefinidas para Whisper y protección contra bucles en silencios.

Whisper solo no basta: una simple sustitución por lista no funciona, se necesita comprensión del significado. El texto transcrito se envía a Claude Sonnet 5.5, que elimina las muletillas, corrige las autocorrecciones y mantiene el tono conversacional. La limpieza tarda entre 1,7 y 3 segundos según la longitud del texto.

La capa intermedia y el diccionario contextual

El intermediario, Chistovik —un único archivo de Python que usa solo la biblioteca estándar— se sitúa entre Handy y la API. Esta capa aporta varias ventajas: el prompt y el diccionario están en archivos de texto que se releen antes de cada dictado (se edita una regla, se vuelve a dictar, y funciona sin reiniciar nada); mantiene una sola conexión activa en lugar de crear un nuevo cliente HTTP en cada solicitud; la clave de la API vive en una variable de entorno, no en la configuración del programa; y hay un tiempo de espera de 10 segundos para evitar bloqueos.

El diccionario entiende el contexto. Whisper confunde palabras poco frecuentes: en ruso, «de IA» lo transcribe como «de huevo». Una sustitución a ciegas sería perjudicial, porque la palabra podría usarse en su sentido literal. Por eso se le da al modelo una condición: «de IA, de las IA, con IA ← error de transcripción, de huevo (sustituir 'de huevo' solo cuando el texto no trate de huevos o comida)». Claude entiende estas explicaciones igual de bien en ruso que en inglés. Prueba realizada: en «receta de ensalada de huevo», la palabra se mantiene (el texto trata de comida); en «el texto salió como de huevo», se corrige a «de IA» (el texto trata de inteligencia artificial).

Errores de integración y sus soluciones

Durante el desarrollo surgieron tres tipos de problemas. El modelo a veces trataba el dictado como una petición a ejecutar; se solucionó envolviendo el texto en una etiqueta <dictation> y añadiendo una regla clara en el prompt indicando que nunca debe ejecutar peticiones. El modelo también sustituía palabras coloquiales por otras más formales; se solucionó con ejemplos directamente en el prompt: «guay» sigue siendo «guay», «me da igual» sigue siendo «me da igual». Los errores de posprocesado eran invisibles, porque Handy insertaba el texto crudo en silencio; ahora el intermediario registra cada dictado. En Windows, localhost puede resolverse por IPv6, así que el intermediario escucha tanto en 127.0.0.1 como en ::1.

Rendimiento y conclusiones

La cadena completa, desde que se pulsa la tecla hasta que se inserta el texto:

• 8 segundos de habla: 0,17 s de transcripción, 1,7 s de limpieza, unos 2 segundos en total
• 42 segundos de habla: 0,45 s de transcripción, 3 s de limpieza, unos 3,5 segundos en total

Cada solicitud a la API consume alrededor de 1.100 tokens, casi todos ellos reglas y entradas del diccionario. El código es abierto (MIT) en github.com/Tataut/chistovik, y se instala con un único script de PowerShell en Windows. El intermediario es multiplataforma, y Handy también está disponible para macOS y Linux. Funciona con cualquier API compatible con OpenAI: OpenAI, OpenRouter, o modelos locales a través de Ollama o LM Studio (con modelos locales, nada sale del ordenador). Se ha probado con Claude Sonnet 5.5. Donde más ayuda es en apps de mensajería y en Telegram.