Durante una conversación, la ayuda hace falta en un momento incómodo: ya estás escuchando, intentando entender la pregunta y recordando lo que ibas a decir. Añadir otra inteligencia parlanchina puede sumar participantes y restar claridad.
Desarrollo CallCoach como prototipo nativo para macOS. La interfaz SwiftUI mantiene juntos la transcripción, el guion y la sugerencia. Necesito una frase corta que pueda decirse al instante. Durante una conversación no hay tiempo para leer la explicación del modelo.
La conversación llega por fragmentos
El audio del micrófono pasa por AVAudioEngine; el audio del sistema sigue una ruta aparte con ScreenCaptureKit. El reconocimiento utiliza las API de voz de Apple. Después, las actualizaciones del texto llegan a la capa de sugerencias.
La captura muestra CallCoach para macOS en la versión actual. Está abierto Real Estate: transcripción a la izquierda y respuestas rápidas y etapas a la derecha. Es una vista previa de una frase preparada; no se inició la grabación de una llamada.
Cada palabra provisional no debe generar una recomendación nueva. El código actual agrupa actualizaciones con un retardo de 450 milisegundos. Es un parámetro de procesamiento, no una promesa de latencia total: captura, reconocimiento y generación añaden su tiempo.
El contexto también se limita. La búsqueda en la base de conocimiento usa un fragmento reciente; al modelo se envía una ventana de las últimas palabras, no una transcripción infinita. Si no, la aplicación termina hablando del inicio de la llamada cuando las personas ya han cambiado de tema.
En Interview, la misma interfaz ayuda a preparar una entrevista. Está seleccionado Portfolio: aparecen frases breves sobre la tarea, el papel propio y el resultado. Es la ventana real sin grabación de conversación.
«Conoce mi tema» no significa «he entrenado el modelo»
El proyecto incluye escenarios, puntos de control y recuperación de fragmentos relevantes de la base de conocimiento. Es aportación de contexto y búsqueda, no entrenamiento de pesos. La diferencia importa: un documento puede ayudar a responder sin convertir al sistema en un experto verificado.
La generación local usa Foundation Models tras comprobar su disponibilidad en el dispositivo. El código también ofrece un modo en la nube Gemini Live. Está desactivado por defecto, pero al elegirlo el audio sigue otra ruta de procesamiento. Por tanto, prometer que «todo permanece siempre en el Mac» sería incorrecto.
Lo más difícil está en la pantalla
Una sugerencia puede ser correcta y aun así molestar: llegar tarde, repetir lo evidente, tapar algo necesario o exigir demasiada lectura. Hay que probarlo en conversaciones reales con hardware concreto. El repositorio no demuestra calidad de reconocimiento ni certifica un buen interlocutor.
Las capturas muestran la ventana real y vistas previas de frases preparadas. Explican la estructura, no la calidad del reconocimiento en una conversación en directo. La siguiente prueba es la oportunidad y utilidad de una sugerencia breve en hardware concreto.
Historias relacionadas: Portfolio conversacional.
@nevsky_alexander
En Instagram, Dubái más allá de la postal: familia, ciudad, descubrimientos y la vida entre proyectos. En Threads, ideas en voz alta sobre diseño e IA. En YouTube, vídeos que necesitan más espacio que una historia. Sígueme donde te sientas más a gusto y seguimos en contacto