Loquela
Investigación

Cómo Loquela está construyendo dictado local en directo y en dos pasadas

El paso de Loquela del dictado sin conexión solo por lotes al texto parcial local en directo y una segunda pasada opcional para mejorar la precisión final.

11 min de lecturaInvestigación verificada 2026-08-13

El dictado local de Loquela siempre ha favorecido un límite de privacidad sencillo: descargar un modelo de voz, grabar solo cuando el usuario inicia el dictado, ejecutar el reconocimiento en el teléfono e insertar el texto resultante en el campo activo de Android.

Hasta v0.15, todos los modelos locales seguían el mismo ritmo de procesamiento. Loquela recogía lo hablado, esperaba a Detener y entregaba la grabación completa a un reconocedor sin conexión. Eso es reconocimiento por lotes. Funciona con todos los modelos locales que Loquela enumera actualmente, pero no puede mostrar texto local realmente en directo mientras alguien sigue hablando.

La versión 0.15 cambia esa base. Loquela ahora puede ejecutar planes de reconocimiento Batch, Streaming o Two-pass dentro de la misma experiencia de teclado sin fingir que un modelo puede hacer los tres trabajos.

La versión 0.15.1 da el siguiente paso, intencionalmente más público: los participantes de la beta pueden instalar el primer modelo local realmente en directo y elegir los tres comportamientos. La aplicación los llama Batch, Sequential y Both. «Streaming» y «dos pasadas» siguen siendo términos útiles de ingeniería, pero los ajustes describen lo que vive el usuario.

Tres modos, tres promesas claras

Batch espera hasta Detener y luego pide la transcripción a un modelo sin conexión. Sigue siendo el modo predeterminado y conserva el soporte para el catálogo establecido de modelos de Loquela.

Sequential ejecuta Nemotron mientras llega la voz. Las palabras aparecen en secuencia como texto de composición reemplazable, de modo que la hipótesis actual puede mejorar sin dejar fragmentos duplicados en el editor.

Both ejecuta primero Sequential y luego envía lo hablado completo a un modelo por lotes independiente. El segundo resultado es definitivo solo mientras siga siendo seguro reemplazar el texto provisional. Si el usuario mueve el cursor, edita el texto, envía el mensaje o sale del campo, Loquela no debe aplicar una corrección tardía sobre su trabajo.

Son elecciones del usuario, no alternativas silenciosas. Si falta Nemotron, Sequential y Both siguen visiblemente seleccionados y explican que debe instalarse el modelo. La aplicación enlaza directamente a Modelos de voz en lugar de devolver silenciosamente al usuario a Batch.

Batch no va a desaparecer

El reconocimiento por lotes puede examinar todo lo hablado antes de producir su respuesta. Eso puede ser valioso cuando una frase inicial es ambigua o el modelo se beneficia de oír lo que vino después en la oración.

También tolera mejor un procesamiento lento. Si un teléfono necesita varios segundos para procesar una intervención larga después de Detener, el resultado puede parecer lento, pero el reconocedor no acumula una cola en directo cada vez mayor mientras el usuario sigue hablando.

Por eso Loquela conserva la ruta existente de reconocimiento por lotes y todos los modelos instalados compatibles. La nueva arquitectura añade estrategias; no reemplaza una ruta probada por un único reconocedor de moda.

Qué cambia Streaming

Un modelo nativo de streaming recibe pequeños fragmentos mientras todavía se está hablando. Conserva un estado de reconocimiento en caché entre fragmentos y puede revisar su hipótesis conforme llega más audio.

En Android, esas palabras parciales corresponden al texto de composición. Ese texto es provisional: el teclado puede reemplazarlo sin dejar un rastro de fragmentos duplicados confirmados en el editor. Loquela ya usa este contrato para la transcripción Remote opcional en tiempo real. La versión 0.15 lleva la misma capacidad al proceso aislado de reconocimiento local.

El micrófono permanece del lado del teclado en la separación entre procesos. Una conexión de audio duradera transporta muestras ordenadas al reconocedor, mientras las funciones de retorno entregan parciales modificados, eventos de fin de intervención, la transcripción final o una categoría de fallo sin contenido. Esto evita una llamada IPC independiente por cada trama de audio y conserva el aislamiento frente a fallos que ya usan los modelos locales.

Streaming no utiliza automáticamente menos contexto que Batch. Conserva en caché lo ya dicho. La diferencia es que no puede oír palabras futuras antes de mostrar su estimación actual. Por eso los parciales deben seguir siendo provisionales tanto visual como técnicamente.

Qué añade Two-pass

Two-pass combina los dos ritmos de procesamiento:

  1. Un paquete de streaming produce texto local inmediato mientras el usuario habla.
  2. Loquela conserva el audio de la intervención durante la sesión activa.
  3. Después de Detener, un paquete por lotes independiente recibe la intervención completa.
  4. El resultado final reemplaza o completa el texto de composición que aún sea seguro modificar.

La segunda pasada no es una reescritura general con IA. Su trabajo sigue siendo transcribir: recuperar lo que se dijo con un modelo capaz de considerar la intervención completa. Loquela no introduce un generador de prosa que cambie silenciosamente el tono, la intención o la autoría.

Two-pass tampoco es una propiedad almacenada en alguno de los modelos. Un paquete de streaming sigue siendo de streaming y uno por lotes sigue siendo por lotes. El modo visible al usuario crea una pareja compatible y hace visible el costo.

La separación importa porque dos pasadas pueden ser costosas. Dos archivos de modelos ocupan más almacenamiento. Mantener ambos reconocedores en memoria puede acelerar la corrección final, pero aumenta el pico de memoria. Cargar el modelo final solo después de Detener reduce el tiempo en que ambos modelos están en memoria a la vez, pero añade latencia de carga en frío. Un modelo por lotes económico puede caber cómodamente y aun así no mejorar a un modelo de streaming mucho mayor, mientras que un finalizador más potente puede formar la pareja más costosa.

La función solo merece promoverse si la mejora de corrección es significativa con intervenciones y teléfonos reales.

Hay una tensión útil al elegir ese segundo modelo. Un finalizador pequeño es más fácil de mantener en memoria, pero quizá no mejore lo suficiente a un modelo de streaming de 600 millones de parámetros para justificar la segunda decodificación. Un modelo mayor como Whisper Turbo tiene más probabilidades de aportar correcciones valiosas, pero combinar su archivo y su memoria de ejecución con Nemotron es el caso costoso. Las mediciones beta, no la mera existencia de la arquitectura, deciden si una pareja concreta merece recomendarse.

Por qué Nemotron es el primer candidato serio para streaming

Loquela está evaluando Nemotron 3.5 ASR Streaming 0.6B de NVIDIA mediante el reconocedor en directo de sherpa-onnx compatible con Android.

Los pesos de NVIDIA se entrenaron en el ecosistema NeMo, pero Loquela no integra el entorno Python de NVIDIA ni requiere CUDA. Sherpa-onnx exporta el modelo a ONNX y lo ejecuta mediante la misma familia de motores nativos de Android que Loquela ya utiliza para sus modelos locales de voz.

Nemotron es un modelo FastConformer-RNNT de 600 millones de parámetros que aprovecha una caché. NVIDIA publica cinco configuraciones de latencia, desde 80 ms hasta 1120 ms. Loquela empieza con el paquete de 560 ms porque es un punto intermedio razonable entre parciales tempranos y calidad de reconocimiento, no porque una prueba de escritorio demuestre que sea adecuado para un teléfono.

La ficha del modelo distingue 19 variantes regionales listas para transcribir, 13 de cobertura amplia y 8 preparadas para adaptación que requieren ajuste adicional. Loquela solo ofrecerá las 32 listas o de cobertura amplia salvo que aparezca evidencia que respalde más. Inglés es el valor predeterminado porque los resultados publicados de 560 ms muestran una pérdida medible de precisión en inglés con la detección automática de idioma. Auto sigue disponible cuando el usuario elige conscientemente el compromiso de la detección multilingüe.

Decide el teléfono, no el diagrama de arquitectura

Un reconocedor local de streaming debe procesar más rápido de lo que llega el audio. Un factor de tiempo real de 1,0 solo alcanza el equilibrio. No deja margen para un teléfono caliente, una aplicación activa ocupada ni variaciones normales de planificación. El objetivo de Loquela para promoverlo es un factor de tiempo real sostenido de 0,5 o menos, junto con evidencia de que la cola de audio no crece en sesiones repetidas con el teléfono ya caliente.

La validación separa tres tiempos:

  • La preparación en frío mide la carga del modelo y del motor nativo.
  • El tiempo desde hablar hasta el primer parcial con el motor preparado mide cuánto tarda en aparecer texto útil en directo una vez listo el reconocedor.
  • El tiempo de Detener al resultado final mide cuánto espera el usuario después de terminar de hablar.

La velocidad es solo un requisito. Los teléfonos físicos de gama baja, media y alta también deben mostrar memoria nativa estable entre sesiones repetidas, recuperación tras la muerte del proceso, comportamiento seguro en editores Android normales y poco habituales, y ausencia de pérdida o duplicación de texto.

La batería se mide como un costo absoluto del producto, no solo como una proporción frente a Batch. La cifra útil es la energía por intervención típica más un costo diario proyectado para un volumen de dictado especificado. La limitación térmica es una preocupación independiente de corrección, porque puede romper directamente las garantías de tiempo real y de cola de audio.

Si el paquete de 560 ms queda cerca de cumplir en una gama, Loquela puede medir el de 1120 ms antes de descartarla. Ofrece más anticipación y menos invocaciones al reconocedor, pero debe medirse, y no suponerse, si mejora lo suficiente el rendimiento del teléfono para justificar la latencia adicional de los parciales.

El fallo en un teléfono físico que cambió v0.15.1

La primera prueba de v0.15.0 instalada desde Play en un OnePlus encontró un fallo que las pruebas JVM normales y una compilación correcta no podían revelar. Todos los modelos locales informaban de una transferencia incompleta del audio de voz. Los registros de Android mostraban que la tubería fiable de descriptores de archivo había indicado que su extremo remoto había muerto antes de que el reconocedor aislado recibiera el número esperado de muestras.

Loquela no debilitó la comprobación de integridad. La versión 0.15.1 cambia el transporte a una tubería normal de Android, conservando el recuento separado de muestras esperadas y la señal explícita de finalización. Una prueba de instrumentación Android ahora escribe muestras reales de coma flotante mediante el mismo protocolo de tubería, las lee hasta un fin de archivo limpio y verifica la secuencia exacta en hardware físico.

La distinción importa: compilar demuestra que las API encajan y una prueba unitaria con una matriz de bytes comprueba la lógica de enmarcado, pero ninguna demuestra el comportamiento de los descriptores de archivo de Android a través del límite real entre procesos de la aplicación. La beta encontró un fallo de integración de plataforma y la prueba de regresión ahora apunta directamente a esa capa.

Qué pone a disposición v0.15.1

El paquete de 560 ms de Nemotron aparece para instalación beta. Sequential y Both están siempre visibles en los ajustes de voz, con un aviso de configuración cuando falta Nemotron. Una selección eliminada o dañada sigue seleccionada, pero indica que necesita reparación; Loquela no cambia silenciosamente el modo de reconocimiento del usuario.

Moonshine v2 Tiny y Base también entran en el catálogo beta como modelos por lotes en inglés mucho más pequeños. Tiny pasa de unos 108 MB del paquete anterior a unos 30 MB, mientras Base baja de unos 251 MB a unos 111 MB. Los paquetes antiguos siguen funcionando en instalaciones existentes, pero se retiran de las nuevas y orientan hacia sus sustitutos.

Moonshine v2 utiliza una parte de la base distinta de Nemotron. Su estructura de decodificador combinado .ort necesita un perfil explícito de ejecución, descubrimiento, validación, recuperación y soporte de configuración sin conexión. Nemotron reutiliza funciones conocidas de archivos de codificador, decodificador, joiner y tokens, pero estos deben abrirse con la nueva estrategia de reconocimiento en directo. La forma de los archivos nunca debe decidir por sí sola cómo se ejecuta un modelo.

Qué deberían probar los participantes de la beta

Las pruebas más útiles de Sequential no se limitan a frases limpias de demostración. Prueba comandos cortos, dictado largo, nombres, términos técnicos, pausas, sesiones repetidas con el teléfono caliente y editores que manipulan agresivamente el texto de composición. Observa si crece el retraso, se repiten o faltan palabras, se reemplaza texto de forma insegura después de editar o cambia el comportamiento al pasar de una aplicación a otra.

En Both, compara el resultado final con la hipótesis visible de Sequential. Una segunda pasada que solo cambia puntuación o introduce cambios innecesarios no justifica su costo adicional. Lo relevante es si elimina de forma fiable errores que de otro modo exigirían corrección manual.

Quienes usen Parakeet y vean desaparecer la última palabra o frase pueden utilizar la nueva prueba beta de la cola del decodificador. Añade una cantidad controlada de silencio después de la intervención capturada, dando al transductor más contexto final sin fingir que el antiguo fallo de transferencia de audio y el comportamiento del decodificador son el mismo problema. El valor predeterminado sigue siendo cero hasta que comparaciones reales identifiquen uno mejor.

El acceso a comentarios de Ajustes forma parte de la misma filosofía beta: las solicitudes de funciones, informes de errores y otras observaciones deben estar a un toque de la pantalla de ajustes generales, no escondidos en un submenú específico del producto.

La privacidad sigue siendo explícita y específica de cada modo

El reconocimiento local Batch, Streaming y Two-pass mantiene el audio en el dispositivo. El audio de sesión se utiliza para el plan de reconocimiento activo en lugar de guardarse como una grabación permanente. Two-pass lo conserva solo el tiempo necesario para realizar la decodificación final solicitada.

La transcripción Remote opcional sigue siendo un modo de red independiente con su propio límite de cuenta y privacidad. La retención de diagnósticos guarda información de fallos limitada y sin contenido, no texto dictado ni audio.

El objetivo no es simplemente mostrar texto antes. Es permitir dictado privado en directo sin debilitar la precisión final, ocultar los costos de procesamiento ni quitar el control a quien escribe.

Consulta las notas de versión de v0.15.1, Modelos de voz y Privacidad para conocer los límites actuales del producto.