Experiencia · Transcripción y traducción
Transcribimos audio en tiempo real o desde archivo, traducimos entre rumano y ruso en conversaciones con clientes y entregamos el texto con marcas de tiempo, exportación de audio y un rastro de consentimiento. Ejecutamos el reconocimiento del habla a través de proveedores, mediante nuestra gateway; el modelo propio de rumano es investigación, no producto.
Ya construidoDouă implementări proprii, ambele deschise și citate. Prima e o aplicație de transcriere în flux, cu backend Express de 3.378 de linii în 25 de fișiere și 37 de teste pe care le-am rulat azi — toate trec; ea conține partea pe care nimeni nu o construiește din entuziasm: o poartă de consimțământ care refuză captura când nu există acord înregistrat. A doua rulează în producție, la clienți reali: mesajele vocale primite pe canalele de mesagerie sunt transcrise, iar răspunsul scris de un operator în română este rescris în limba clientului înainte de a pleca. Ce NU intră în „delivered” și e scris ca atare în pagină: modelul propriu de recunoaștere și sinteză în română este cercetare — nu are demonstrație publică, nu are interfață de programare, iar pe acuratețe în română pierde față de sistemele comerciale mari. Serviciul se vinde pe ce rulează, nu pe ce studiem.
La transcripción parece un problema resuelto hasta que la pones en rumano, con dos hablantes que se interrumpen, cifras dichas deprisa y un cliente que pasa al ruso a mitad de la frase. Entonces aparecen los tres problemas reales: qué modelo eliges para la lengua que tienes delante, cómo sabes dónde termina un turno de habla, y quién te dio permiso para grabar. Nos ocupamos de los tres, y al último lo tratamos como un problema de código, no como un párrafo de política.
En nuestra aplicación de transcripción en flujo, el navegador nunca recibe la clave del proveedor. Pide al backend un token de un solo uso, válido por defecto durante un cuarto de hora, con el que abre la conexión de transcripción; la ruta que emite el token está cerrada por defecto y solo puede abrirse mediante una configuración explícita fuera de producción, precisamente porque es la ruta por la que se consumen fondos. Sobre la transcripción bruta corre un análisis con modelo de lenguaje, con una lista de modelos de reserva en orden, para que la indisponibilidad de uno no detenga la sesión.
La gate de consentimiento es la parte a la que prestamos especial atención. Antes de aceptar un fragmento de audio, el servidor pide una fila de acuerdo no revocado para la sesión respectiva. Si no existe, responde con 451 y un mensaje en rumano. Si la base de datos no responde, rechaza todo — 503, no «deja pasar». Las sesiones ya verificadas pasan por una caché de diez minutos, para que una caída breve no interrumpa una grabación en curso. Está escrito para que no pueda eludirse por un error de configuración.
La parte que ya está con clientes es otra y es menos espectacular: en los canales de mensajería, un mensaje de voz recibido se convierte en texto, y la lengua se elige votando sobre los últimos ocho mensajes de la conversación, no adivinando por el audio. En sentido inverso, cuando un compañero responde en rumano, su texto se reescribe en la lengua del cliente con instrucciones estrictas — no añade información, no inventa precios ni plazos, no contradice al operador, y trata el texto del operador estrictamente como datos a transmitir, nunca como instrucciones para el modelo.
Qué incluye
La puerta de consentimiento exige una fila no revocada en el registro de acuerdos para la sesión actual. Sin ella: 451, con mensaje en rumano. Con la base de datos caída: 503, es decir, rechazo, no paso. Las sesiones ya verificadas pasan por una caché de 10 minutos, para que la verificación no golpee la base con cada fragmento de audio.
La página pide al backend un token para la transcripción en tiempo real, válido por defecto 900 segundos, y con él abre la conexión con el proveedor. La clave de la cuenta nunca llega al navegador. La petición al proveedor tiene un timeout de 30 segundos, y si se supera devuelve un error explícito, no una espera infinita.
En producción, en los canales de mensajería, el idioma del mensaje de voz se decide por voto sobre los últimos ocho mensajes de la conversación — ruso si domina, en caso contrario rumano — y solo después se llama al reconocimiento, con la pista de idioma transmitida explícitamente. El formato del archivo se reconoce por los primeros 12 bytes, no por la extensión, porque los mensajes de voz de los canales Meta llegan como `ogg` independientemente de cómo se llamen.
Cuando un compañero responde en rumano en un hilo interno, el mensaje hacia el cliente se reescribe en el idioma del cliente. Las reglas son explícitas en el código: no añade información, no inventa detalles, precios, horas ni promesas, no contradice al operador, y el texto del operador se trata estrictamente como datos a transmitir, nunca como instrucciones para el modelo — una medida contra la inyección de comandos, no una formulación de estilo.
Sobre el texto resultante se ejecuta un análisis con un modelo de lenguaje, con una lista ordenada de modelos alternativos en el código, para que una indisponibilidad degrade la calidad, no detenga la sesión. El modelo de análisis se puede cambiar desde la configuración, sin puesta en marcha de nuevo.
WAV se produce sin herramientas externas. FLAC y MP3 requieren `ffmpeg`; si falta, el servidor responde 501 con el motivo, y si el proceso se bloquea se detiene tras 60 segundos y devuelve 504 con los primeros dos mil caracteres del error. Una exportación que falla dice por qué.
Los minutos consumidos se descuentan de forma atómica mediante un procedimiento en la base de datos, y el costo se escribe en un registro separado, por proveedor. Son dos cosas distintas y se rompen de forma diferente: si la fila de costo no se puede vincular a la sesión, se guarda sin vincular, para que la información de costo no se pierda.
La emisión de tokens, el análisis y la exportación tienen límites separados, y la clave de conteo es el usuario autenticado cuando existe, no la dirección IP — de otro modo un solo usuario agresivo detrás de una red común agotaría la cuota de todos sus compañeros.
El mensaje de voz recibido de un cliente se convierte en texto en la misma conversación, sin que nadie abra otra herramienta. El reconocimiento y la síntesis pasan por nuestro gateway, no directamente al proveedor, así que el consumo aparece en el mismo lugar que el resto.
Qué aspecto tiene
Quién habla, quién está informado, quién consiente, quién conserva la grabación y durante cuánto tiempo. El resultado no es un documento que se queda en un cajón, sino la configuración del gate: qué significa exactamente «acuerdo existente» en la situación del cliente y qué ocurre cuando falta.
El rumano y el ruso se comportan de forma distinta, igual que un micrófono de escritorio frente a una llamada telefónica comprimida. La elección del modelo, del índice de idioma y de la estrategia de segmentación se hace sobre muestras del material real del cliente, no sobre una demostración limpia.
Token, conexión, transcripción, análisis, exportación. Luego comprobamos los casos que realmente ocurren: acuerdo ausente, base de datos caída en mitad de la sesión, token caducado, `ffmpeg` ausente, proveedor no disponible. Cada uno debe dar un mensaje que diga qué se ha roto.
El conteo de minutos, el registro de costes, los umbrales de tráfico por usuario y los registros. Sin ellos, el primer incidente se discute de memoria.
Los datos
Las preguntas que hace cualquiera que tenga un delegado de protección de datos — hechas aquí antes de que las haga él.
Un caso
La situación
Un escenario de reunión con varios participantes, en el que la transcripción debía iniciarse desde el navegador, y la grabación debía conservarse. La situación en la que se rompen la mayoría de las herramientas de transcripción: alguien pulsa «grabar» antes de que el acuerdo de los participantes quede registrado en alguna parte.
Qué construimos
Puse la verificación del consentimiento en la ruta de la solicitud, no en una pantalla de aviso. El servidor busca una fila de consentimiento no revocado para la sesión actual antes de aceptar el primer fragmento de audio. También escribí deliberadamente el comportamiento ante fallo: si la base de datos que guarda los consentimientos no responde, la solicitud se rechaza con 503, no se deja pasar. Las sesiones ya verificadas permanecen diez minutos en una caché, para que un corte breve no interrumpa una grabación en curso. La ruta que emite tokens al proveedor quedó cerrada por defecto, con apertura posible solo mediante una configuración explícita fuera de producción.
Qué salió
Sin consentimiento registrado, la captura devuelve 451 con un mensaje en rumano y el evento se registra con la sesión y el espacio de trabajo. El comportamiento está cubierto por pruebas que se ejecutan sin base de datos, mediante la inyección de la verificación. La suite del backend tiene 37 pruebas; en la ejecución de hoy pasan todas.
Qué no dice el caso
La aplicación no está publicada — funciona en nuestros servidores, no tiene una página en la que puedas registrarte, y el derecho a grabar una conversación determinada sigue siendo del cliente: nosotros lo imponemos técnicamente, no lo otorgamos. Y hay otra limitación: la puerta verifica la existencia del consentimiento, no su calidad jurídica. Si el texto del consentimiento está mal redactado, el código lo aplicará fielmente.
Preguntas
Trabajamos con rumano y ruso, porque son los idiomas en los que aparecen nuestros problemas reales y que podemos comprobar con material propio. Otros idiomas son técnicamente posibles mediante los mismos proveedores, pero antes de prometer algo hacemos una prueba con tus grabaciones: un idioma funciona o no funciona según el audio, no según la lista de la página del proveedor.
En investigación, no en producto, y es importante no confundir ambas cosas. La dirección propia no tiene demostración pública, no tiene interfaz de programación y no tiene telefonía, y en la precisión del reconocimiento en rumano nuestras mediciones muestran que quedamos por detrás de los grandes sistemas comerciales. Publicamos esto porque es nuestra conclusión, obtenida en nuestro propio banco de pruebas. El servicio que vendemos hoy funciona con proveedores, a través de nuestra pasarela.
El derecho se establece según la situación, con el cliente, antes de la instalación — no es algo que nosotros podamos transferir. Lo que hacemos es imponerlo en el código: sin un consentimiento registrado para la sesión actual, el servidor rechaza la captura con 451 y un mensaje en rumano. Si la base de datos que guarda los consentimientos no responde, también rechaza, con 503. No existe una configuración que transforme la falta de consentimiento en un paso silencioso.
No. La página pide al backend un token de un solo uso para la sesión de transcripción, válido por defecto durante 900 segundos, y con él abre la conexión. La clave de la cuenta se queda en el servidor. Además, la ruta que emite tokens está cerrada por defecto y solo puede abrirse mediante una configuración explícita fuera de producción, porque es la ruta que consume dinero.
Depende más del audio que del modelo: micrófono, solapamientos, cifras, nombres propios, ruido de fondo. No te damos un porcentaje antes de escuchar tu material, porque un porcentaje sacado de una ficha de producto no dice nada sobre tus sesiones. Lo que hacemos es una prueba con grabaciones reales, con los errores sobre la mesa — por lo general falla en las cifras y en los nombres, no en las frases.
Sí, y ya funciona en producción en un sentido: el colega escribe la respuesta en rumano, y el mensaje sale al cliente en el idioma del cliente. Las reglas son estrictas en el código — sin información añadida, sin precios ni plazos inventados, sin contradecir al operador. El sentido inverso, del cliente al operador, hoy se resuelve mediante la transcripción de mensajes de voz; la traducción automática del texto del cliente hacia el operador no está activada en todas partes y lo decimos antes, no después.
El formato se reconoce por el contenido del archivo, no por la extensión — WAV, OGG, MP3 y M4A se tratan explícitamente, y los mensajes de voz de los canales de mensajería suelen llegar como OGG. Recibes la transcripción, el análisis si se solicita, y el audio exportado: WAV sin dependencias, FLAC y MP3 si `ffmpeg` existe en el servidor. Si no existe, el servidor lo dice con un código dedicado, no falla de forma genérica.
No. Además, tampoco usamos la salida de los proveedores de voz para entrenar o probar un modelo competidor — sus términos de uso lo prohíben explícitamente, y nosotros los respetamos también en nuestra propia dirección de investigación, donde nos habría resultado cómodo no hacerlo.
La sesión se detiene con un error que nombra la causa, no con una pantalla vacía. Para el análisis hay una lista ordenada de modelos de reserva en el código, así que allí la indisponibilidad degrada la calidad en lugar de detener el flujo. Para el reconocimiento del habla en tiempo real no tenemos redundancia automática entre proveedores, y es una limitación real, no una omisión.
13 de ellas son código y archivos de nuestros repositorios. No publicamos su nombre ni la línea: juntos, en una sola página, describirían con demasiada precisión cómo están construidos sistemas que no son solo nuestros. Los repasamos contigo, en el repositorio, a petición — la verificación sigue siendo posible, solo que se hace en una conversación.
Cuéntanos tu proceso. Juntos decidimos qué merece la pena construir, qué podemos conectar y cómo verificamos el resultado.