Escucha

Qué oye la aplicación

La aplicación oye dos canales: tu micrófono (tú) y el sonido de tu computadora (los demás participantes). Las palabras oídas hasta el momento aparecen al instante en una burbuja "hablando…", que la frase terminada sustituye.

Dónde se convierte la voz en texto

Elígelo en Ajustes, luego Avanzado, luego Audio, luego Voz a textoAjustes›Avanzado›Audio›Voz a texto.

• Reconocimiento de voz local ("En esta computadora" en el recuadro Motor): la voz se convierte en texto en tu propia computadora, y el audio se queda allí. El modelo de voz se descarga una vez en el primer inicio (Rápido: unos 265 MB; Equilibrado: unos 575 MB); no se transcribe nada hasta que esté listo. El recuadro Modelo local lo elige: Automático (el predeterminado) elige Equilibrado con una tarjeta gráfica que siga el ritmo de la voz y Rápido en caso contrario; Rápido funciona en cualquier computadora; Equilibrado es más preciso y necesita una tarjeta gráfica o Apple Silicon. Donde la aplicación encuentra una tarjeta gráfica, un interruptor Usar la GPU bajo el recuadro (activado de forma predeterminada) te permite mantener la voz en el procesador.
• Nuestro servicio alojado ("Nube (letmesoloit.com)" en la aplicación; All-Inclusive, o cualquier plan con un Credit Pack): el audio pasa por nuestro servidor y se paga con créditos. Su opción de streaming muestra las palabras mientras la gente habla; igual que las frases, un flujo se cobra por todo el audio que envía, un crédito por cada 10 segundos. Para que los nombres y las palabras poco comunes se escriban bien, la aplicación le envía hasta 100 palabras junto con el audio: primero tu propia lista y luego las palabras que parecen nombres del campo Sobre mí de tu perfil activo. Tu lista está en Ajustes, luego Avanzado, luego Audio, luego Voz a texto, luego Palabras que escribir bienAjustes›Avanzado›Audio›Voz a texto›Palabras que escribir bien: separa las palabras con comas (el campo vacío sugiere "p. ej. Kubernetes, Grafana, los nombres de tus colegas"); la voz alojada prefiere estas grafías cuando oye algo parecido. Un servicio que configures con tu propia clave las recibe si las admite; el modelo de esta computadora ignora la lista.
• Un servicio que configuras con tu propia clave.
• Automático (el predeterminado) usa nuestro servicio alojado mientras tu plan lo incluya y te queden créditos, para todos los idiomas y en todas las computadoras, y usa streaming donde el servicio lo ofrece. En caso contrario usa el reconocimiento de voz local, que también es el respaldo cuando no se puede contactar con nuestro servicio o falla. Sin nuestro servicio alojado, el chat espera a que se descargue el modelo de voz, mostrando el progreso. Automático nunca usa un servicio que configuraste con tu propia clave.

Una vez descargado el modelo local, su estado indica Modelo listo, y la flecha de descarga da paso a una papelera que vuelve a eliminarlo.

Lo que envía y guarda cada opción está en la Política de privacidad.

Un servicio en la nube con tu propia clave

En Ajustes, luego Avanzado, luego Audio, luego Voz en la nube con tu claveAjustes›Avanzado›Audio›Voz en la nube con tu clave, elige el servicio, pega su clave de API y elige su modelo; la aplicación prueba la clave e indica si funciona. Luego elige como motor la opción Clave propia de ese servicio. Cuando el servicio se niega, la ventana indica por qué; abajo, … representa el nombre del servicio y el lugar de los ajustes, que el mensaje enlaza:

• … rechazó la clave. Revísala en … La clave es incorrecta o ya no es válida.
• … indica que la clave no tiene crédito ni cuota. Añade crédito o aumenta la cuota en tu cuenta, en el panel del propio servicio, ya que la aplicación no puede cambiarlo, o elige otro motor.
• … no ofrece el modelo definido en … Elige otro modelo en el mismo lugar.
• … está limitando las solicitudes; puede que se pierdan algunas frases. Vuelven a llegar en cuanto deja de limitarlas.

Idiomas

El reconocimiento de voz y las pistas funcionan en doce idiomas: inglés, ucraniano, ruso, alemán, español, francés, japonés, polaco, sueco, chino, coreano y portugués. Un solo ajuste, Idioma de la llamada en Ajustes, luego IdiomaAjustes›Idioma, decide cómo. El inglés es el predeterminado: un idioma que eliges se oye exactamente, sin detección. Automático detecta el idioma que habla cada lado de la llamada, con la voz en esta computadora o nuestro servicio alojado y las respuestas de nuestro servicio alojado; las pistas responden en el tuyo. Un servicio de voz que configures con tu propia clave, o las respuestas de tu propio proveedor, siempre oyen un idioma que eliges: ahí la lista no tiene Automático, y un Automático guardado funciona como inglés. Esto sigue la ruta en directo: cuando las respuestas pasan a tu propio proveedor durante una llamada, la detección se detiene y las filas cambian.

Con Automático, la detección se hace para cada lado de la llamada por separado. Un lado se fija cuando dos intervenciones distintas, cada una con 3 segundos de voz o más, coinciden en un idioma; si ninguna coincide tras 4 intervenciones o 30 segundos de voz de ese lado, se fija en el idioma oído durante más tiempo hasta ese momento (en caso de empate, el más reciente). Un pequeño detector de idioma en esta computadora también oye cada frase con 3 segundos de voz o más: cuando está seguro de que la frase está en otro de los doce, ese lado de la llamada cambia a él al instante, a partir de esa frase, y las respuestas lo siguen. El lado de tu micrófono solo cambia cuando el detector está seguro del mismo idioma nuevo en dos frases seguidas, que empiecen con menos de 20 segundos de diferencia, ya que tu micrófono también oye la sala y tus propios altavoces; entonces ambas frases se muestran de nuevo en el idioma nuevo. Las frases más cortas no cuentan, así que un "OK" o un nombre nunca lo cambian. Hasta que un lado se fija, toma el idioma del otro lado o, si no, el inglés. La voz en esta computadora detecta el idioma a partir del audio; nuestro servicio alojado, a partir del texto de cada frase terminada. Con streaming, el flujo de cada lado se abre al instante en el último idioma de ese lado (el suyo de una llamada anterior, guardado en esta computadora, o si no el del otro lado, o si no el inglés), así que el texto aparece desde el primer segundo. Cuando el detector oye otro idioma, la aplicación envía al flujo una señal breve que lo nombra, sin audio: nuestro servicio alojado vuelve a oír la frase en el idioma nuevo con el audio que ya tiene, y el texto nuevo sustituye al que se mostraba. Nada se envía ni se cobra dos veces. Las pistas responden en el idioma de tu propio lado o, si no, en el de la llamada.

Un idioma que eliges se oye exactamente: la voz se interpreta solo en ese idioma, sin detección ni cambio automático, y las respuestas lo siguen. Entonces un segundo idioma queda a un atajo de distancia; consulta Pistas.

Qué necesita el reconocimiento de voz local

Estas cifras son aproximadas. Lo que necesita cada sistema en conjunto, memoria y disco incluidos, está en Requisitos del sistema.

• Con gráficos como los de la tabla de Requisitos del sistema, bastan 2 núcleos (4 hilos) y 8 GB de memoria. Sin ellos, el inglés, el ruso, el alemán, el español, el francés, el japonés, el polaco y el sueco funcionan solo con el procesador: 8 núcleos (16 hilos) y 16 GB de memoria siguen el ritmo de ambos lados de una llamada; 6 núcleos (12 hilos) y 8 GB son más o menos el mínimo para ello.
• El ucraniano, el chino, el coreano y el portugués, así como el modelo Equilibrado, más preciso, necesitan una tarjeta gráfica: Equilibrado necesita 4 GB o más de memoria de video, y los Requisitos del sistema enumeran las tarjetas por fabricante. Los gráficos integrados de una portátil solo ejecutan el modelo Rápido, casi en directo. En Windows y Linux, la tarjeta necesita un controlador Vulkan, que incluyen los controladores actuales de NVIDIA, AMD e Intel.
• Un ejemplo medido (14 de octubre de 2026, una llamada real reproducida en voz alta): una portátil de gama baja, de 2 núcleos / 4 hilos con gráficos AMD Radeon Vega 3, ejecuta Rápido a unos 3 segundos por frase una vez conocido el idioma, así que el texto aparece unos 3,5 a 5 segundos después de que termina una frase; mientras se detecta el idioma, una frase tarda unos 5 segundos. Equilibrado es demasiado lento allí, y Automático no lo elige. Con una GeForce GTX 1650, Equilibrado tarda unos 1,3 segundos por frase (unos 2,1 mientras detecta) y permanece en la tarjeta. Una llamada en la que se habla por turnos sigue el ritmo; ambos lados hablando sin pausa, no.
• En un plan que incluye nuestro servicio alojado, Automático envía allí todos los idiomas, estos cuatro incluidos, así que el hardware de tu computadora no importa. Sin él, Automático los ejecuta en esta computadora con el mejor modelo cuyo ritmo puede seguir, que puede quedarse atrás sin una tarjeta gráfica o Apple Silicon.
• Cuando un modelo en la tarjeta gráfica es demasiado lento, Automático primero lo prueba una vez en el procesador y se queda con el que lea más rápido, y dice "La voz cambió a …" si lo movió; no vuelve a intentarlo en esta versión de la aplicación. Si tu computadora sigue quedándose atrás, la aplicación te lo dice y propone una opción más rápida: en un plan que incluye nuestro servicio alojado, Rápido o nuestro servicio (solo nuestro servicio cuando Rápido es demasiado lento); sin él, Rápido o el interruptor "Usar la GPU" donde esté disponible (solo el interruptor cuando Rápido es demasiado lento). Se queda en la opción local más rápida y mantiene los subtítulos casi en directo, y nunca pasa el audio a la nube por su cuenta.

Micrófono y altavoz

Ajustes, luego Avanzado, luego AudioAjustes›Avanzado›Audio enumera tus micrófonos y fuentes de altavoz y muestra el que está en uso. Un cambio se aplica al instante al guardar; un dispositivo que no se abre conserva el anterior. Un dispositivo guardado que no está conectado cuando empieza la escucha (unos auriculares apagados) se sustituye por el predeterminado del sistema durante esa sesión; el ajuste se conserva, así que el dispositivo vuelve a usarse la próxima vez que esté disponible. En macOS no hay altavoz que elegir: la aplicación oye por sí misma el sonido de la computadora, con el permiso de Grabación de pantalla.

Detección de voz

La sección Detección de voz, numerada en la imagen de abajo, decide qué cuenta como voz. Los dos umbrales fijan el nivel por encima del cual un sonido cuenta como voz, uno para tu micrófono (100 de forma predeterminada) y otro para los demás participantes (200); cada uno va de 1 a 10 000. Pista sobre mi propia voz está desactivado de forma predeterminada: la aplicación responde a lo que dicen los demás participantes y, si lo activas, también a lo que dices tú. Filtrar el eco del altavoz está activado de forma predeterminada y descarta las frases del micrófono que solo son el sonido de la llamada que vuelve a través de tus altavoces. Ajustar la sensibilidad automáticamente está activado de forma predeterminada: mientras la aplicación escucha, cada umbral sigue a la llamada, entre la mitad y el doble de su valor guardado y sin guardarse nunca, así que el siguiente inicio vuelve a partir de tus valores. Sugerir calibración está activado de forma predeterminada: cuando un lado sigue sin reconocerse, un aviso lo indica con un enlace Calibrar; desactivarlo quita el aviso, y Calibrar en Ajustes funciona igualmente.

Calibrar

Cuando un lado sigue sin reconocerse, la ventana dice "Cuesta entender a la otra parte: revisa el volumen o calibra." (o "tu micrófono"). Primero revisa el volumen del sistema y que Ajustes, luego Avanzado, luego AudioAjustes›Avanzado›Audio use el micrófono y el altavoz correctos.

Luego calibra, mientras la aplicación escucha. El enlace Calibrar del aviso abre los dos botones de calibración, y , en el título de Detección de voz en Ajustes, luego Avanzado, luego AudioAjustes›Avanzado›Audio. Calibrar micrófono (texto emergente "Calibrar micrófono") te pide que guardes silencio durante 3 segundos y que luego leas una frase en voz alta tres veces. Calibrar altavoz (texto emergente "Calibrar altavoz") reproduce un clip breve tres veces por tu altavoz mientras guardas silencio. La aplicación fija el nivel entre el ruido de fondo y la voz, y Guardar lo conserva. Cuando la voz no está claramente por encima del ruido, la aplicación lo indica y no cambia nada.

Silencia tu micrófono

Ctrl+Alt+M, o en la barra de acciones, hace que la aplicación deje de oírte: nada de tu micrófono se transcribe ni se envía. Los demás participantes se siguen oyendo, y no te silencia en la llamada. Su gemelo, Ctrl+Alt+O o a su lado, pausa en cambio a los demás participantes: nada de lo suyo se transcribe ni se envía, y no se cobra nada, hasta que vuelvas a pulsarlo. Cada inicio empieza sin silenciar y sin pausa.