A ver, el Voice Chaser. Me construí este aparato porque trabajo muchísimo con la voz y, gracias a ello, me ahorro un montón de trabajo, sobre todo el de escribir. La idea básica era: hablo por el micrófono y la transcripción se escribe básicamente en la posición del cursor.
Todo empezó porque quería eso como función principal, y luego añadí la posibilidad de intercalar hasta tres IAs independientes. Dependiendo del prompt que use para cada etapa de la IA, el texto se modifica. A menudo es divertido cambiar el estilo, ya sea para hacerlo inspirador o usar una forma de expresión antigua. Pero muy frecuentemente sirve para la traducción: hablo algo, punto 1: el texto se traduce a grandes rasgos, luego se corrige y finalmente vuelve a salir justo donde está mi cursor.
La siguiente función fue que los archivos de voz principales se guardaran, en mi caso en el NAS. Gracias a esto, se ha creado un dataset de más de 63 horas. Tras su destilación, es básicamente el dataset para MuckyTTS. Además, el sistema incluye mi RAM-Diskhandler; básicamente un programa que, basándose en mis archivos de configuración, carga los modelos de IA necesarios en la RAM-Disk y todo lo demás relacionado.
Como he dicho, el Voice Chaser es mi herramienta primaria, la que uso básicamente en cualquier momento. Por cierto, este texto también se está creando así. Y, por lo demás, el Voice Chaser incluye la posibilidad de asignar el slot de IA-4 a una IA separada que sea accesible vía API. ¿Y qué más tenemos? Bueno, todo el tinglado de la infraestructura se lo pueden echar un vistazo en el código fuente. Si tienen alguna pregunta, pueden soltarla sin miedo.
Como soy un loco y tengo más de cuatro monitores en mi setup, encontré en mi armario una vieja GTX 1050 con 2 GB de VRAM. Y no tenía nada mejor que hacer que "maltratar" esa pequeña tarjeta gráfica para que me sirva de fallback para el Voice Chaser. Si la 3090 grande está ocupada, hay un fallback automático a la tarjeta pequeña, y ahí corre un "Whisper Small" o lo que esté actualizado y me parezca genial en ese momento.
Además, todo el sistema tiene una función de stream, para que no tenga que pulsar el botón cada vez. Por cierto, he aprovechado un viejo teclado USB que compré por unos 8 euros en Amazon para construir básicamente un Stream Deck Lite. He moddeado este teclado USB para que ahí estén mis teclas con las que ahora inicio y termino el dictado, tal como lo estoy haciendo ahora. Es decir: pulsar botón, soltar el rollo, pulsar botón, esperar un momento y el texto aparece exactamente en la posición del cursor.
Y ahí es donde he puesto también el botón de stream. Cuando tengo el stream activo, puedo hablar sin parar, el audio pasa por toda la cadena y acaba saliendo en la posición del cursor. Y esto también funciona con los sistemas de IA posteriores.
Gallery




