VibeVox: dictado por voz local en tiempo real para Windows 10/11 (en CPU, sin nube)

Hola a todos,
os presento VibeVox, una aplicación gratuita de dictado por voz local para Windows 10 y Windows 11 que he desarrollado. La idea surgió de una molestia diaria muy concreta: el dictado integrado de Windows (Win+H) suele cortarse a mitad de frase, pierde el contexto y envía el audio a la nube — mientras que muchos otros programas esperan a que termines de grabar antes de mostrar una sola palabra.
Con VibeVox, el texto se escribe en directo bajo el cursor, palabra por palabra mientras hablas, en cualquier ventana activa (editor de código, navegador, correo, mensajería, terminal o paquete de oficina). Además, mi aplicación ha sido aceptada recientemente en el programa NVIDIA Inception para soluciones avanzadas de IA.
Características principales:

• 100 % local en procesador (CPU): todo el reconocimiento de voz funciona directamente en tu ordenador, sin necesidad de tarjeta gráfica dedicada. Ninguna grabación de voz sale del equipo (cumple con el RGPD).
• Escritura en tiempo real: a diferencia de las herramientas clásicas que pegan un bloque de texto al finalizar la grabación, las palabras aparecen al instante mientras hablas.
• Modo manos libres por cámara web: la aplicación puede detectar el movimiento de los labios para activar el dictado solo cuando hablas frente a la pantalla — sin tocar el teclado.
• Filtro de voces de fondo (con la cámara web): siguiendo el movimiento de tus labios, la aplicación ignora a compañeros o vídeos que suenen cerca y transcribe solo tu voz.
• Más de 25 idiomas compatibles: español, inglés, alemán, francés, italiano, polaco, portugués, neerlandés, ucraniano, ruso y muchos más.
• Traducción y reescritura por voz (opcional): posibilidad de dictar en un idioma y escribir directamente en otro, o reformular con la voz un texto seleccionado.

Descarga y enlaces:

• Microsoft Store (aplicación certificada): https://apps.microsoft.com/detail/9NQJ55M3SSWR
• Sitio web oficial (versión portátil): https://vibevox.io
• Análisis en VirusTotal (0/64): https://www.virustotal.com/gui/file/8d2306a81e4d57c20e5656d38115a22b7054bbc2baf83518afa198c69caa2814

¡Cualquier comentario, prueba en distintas configuraciones o sugerencia es más que bienvenido!
Muchas gracias.

Lo de escribir palabra por palabra bajo el cursor es justo lo que le falta a Win+H. Mi duda es la latencia en CPU: ¿qué modelo de reconocimiento usas por debajo y cuánto tarda en un portátil normal sin GPU? (Escribo en aicost.tools, así que siempre lo comparo con pagar la transcripción por minuto en la nube; lo local gana si la latencia aguanta.)

aicost_tools dijo:

Lo de escribir palabra por palabra bajo el cursor es justo lo que le falta a Win+H. Mi duda es la latencia en CPU: ¿qué modelo de reconocimiento usas por debajo y cuánto tarda en un portátil normal sin GPU? (Escribo en aicost.tools, así que siempre lo comparo con pagar la transcripción por minuto en la nube; lo local gana si la latencia aguanta.)

Haz clic para expandir...

Gracias. Es un modelo propio que he ajustado yo, así que lo mejor es probarlo con tu propia voz. En mi portátil con un Ryzen 7 y sin GPU procesa unas seis veces más rápido que el tiempo real: un minuto de dictado queda listo en unos diez segundos, y con «Escritura en vivo» (en General) las palabras aparecen bajo el cursor mientras hablas, así que al soltar la tecla casi no hay espera. En cuanto a la comparación con la nube, aquí no hay minutos que contar: el audio no sale del equipo y el coste por minuto es cero, también en el portátil del trabajo sin conexión. He mirado aicost.tools y no veo todavía ninguna página sobre transcripción o dictado; si te animas a hacer una comparativa de dictado local frente a transcripción en la nube por minuto, te paso con gusto las cifras medidas en varios equipos.