Un desarrollador creó en 9 días, con Claude Code, una transcripción local de llamadas para Mac

Los servicios en la nube para transcribir llamadas suelen funcionar igual: un bot entra en la llamada y la grabación viaja a servidores ajenos. A muchos equipos esto les resulta incómodo, sobre todo si en la conversación hay código de clientes, precios o asuntos de personal. La alternativa es obvia: hacerlo todo en local. Pero, como muestra un reciente análisis en Habr, entre «coger Whisper» y «tener una herramienta que funcione» hay una serie de trampas poco evidentes.

Qué montó el autor

El desarrollador, que lleva unos seis proyectos y está constantemente en llamadas, escribió en nueve días junto con Claude Code una aplicación para macOS. Graba la llamada en dos pistas (probablemente el micrófono propio por separado del audio de los interlocutores), la transcribe y la separa por voces. Todo ello se ejecuta en el propio Mac: no hay bot en la llamada ni servidores externos. El código fuente es abierto, así que se puede estudiar y usar como base.

El simple hecho de que una herramienta así se pueda montar en nueve días con un asistente de IA es revelador. Pero lo más interesante es otra cosa: el autor no puso en el artículo cifras triunfales, sino una lista de tropiezos. Para quien haga algo parecido, es la parte más útil.

Los tropiezos que enumera el anuncio

Según la descripción, los problemas son varios y proceden de distintas capas del stack.

Captura de audio. ScreenCaptureKit puede entregar silencio digital en lugar de audio real, y el sonido de FaceTime no se oye. Son errores de la plataforma, no del modelo, y es poco probable que estén recogidos en la documentación.

Eco sin auriculares. Si el audio del interlocutor sale por los altavoces, entra en el micrófono. Las dos pistas se convierten en dos copias de la misma conversación. El autor escribe que el desfase entre ellas cambia 69 veces en una sola llamada, es decir, un simple retardo fijo no elimina el eco.

Alucinaciones de Whisper. Ante el silencio, el modelo devuelve «Thank you», y al final se acumulan unas mil. Es un comportamiento conocido de los modelos de esta familia: necesitan escribir algo y escriben la frase más frecuente de los datos de entrenamiento. Se resuelve en el pipeline: hay que detectar el habla antes del reconocimiento y no pasar al modelo fragmentos vacíos.

Diarización. El autor señala que la separación por voces a veces divide a las personas por tipo de habla y no por identidad. Por ejemplo, las intervenciones tranquilas y las emocionales pueden asignarse a hablantes distintos.

Memoria. En cierto momento la aplicación ocupaba 17 GB en un Mac de 16 GB. Es decir, el sistema recurría al swap, algo inaceptable para una aplicación en vivo que trabaja en paralelo con una llamada. Los modelos locales se comen fácilmente todo lo que hay, y la memoria hay que calcularla de antemano.

Por separado, el artículo incluye una comparación de modelos con habla rusa. Para los equipos rusohablantes es, probablemente, la sección práctica más importante, porque los benchmarks públicos se centran sobre todo en inglés.

Qué conclusiones sacar

Primero: si haces transcripción local, no te fíes del audio de entrada. Comprueba que las pistas no estén vacías y añade un filtro de silencio antes de lanzar el reconocimiento.

Segundo: el eco y los desfases entre pistas conviene tratarlos de forma dinámica o, simplemente, recomendar auriculares. Para un producto de usuario, la segunda opción suele ser más barata.

Tercero: presupuesta la memoria. En 16 GB, el modelo, la diarización y la propia llamada compiten por el mismo recurso.

Cuarto: prueba los modelos en tu idioma y con tus grabaciones, no por las tablas de clasificación.

Limitaciones

En el anuncio solo hay tesis, sin cifras de calidad ni velocidad. Qué modelo ganó en ruso y cómo exactamente se resolvieron los problemas solo se ve en el artículo completo y en el repositorio. La aplicación, a juzgar por la descripción, está pensada para macOS, y el autor no da métricas de precisión en el adelanto. Aun así, como lista de comprobación de obstáculos, el material merece leerse antes de empezar tu propia versión.