La DVT de un grabador con transcripción local debe validar toda la máquina de estados, no solo el resultado del reconocimiento de voz. Un sistema que supera la prueba captura audio, resiste interrupciones, guarda una nota útil con su procedencia y elimina un segmento fuente solo después de que el ordenador lo haya procesado para transcribirlo.
¿Qué sistema se está probando?
La arquitectura aprobada de C1 reparte el trabajo entre dos dispositivos. C1 captura audio, detecta la actividad vocal en el propio dispositivo, almacena temporalmente segmentos de audio cifrados y los transfiere por Bluetooth o USB-C. El ordenador macOS o Windows vinculado realiza el reconocimiento de voz y la identificación de hablantes localmente, escribe Markdown OKF local e indica a C1 que elimine cada segmento tras procesarlo para la transcripción.
Esta separación crea al menos seis estados observables:
- Capturado: existe un segmento completo o recuperable en C1.
- Preparado: el ordenador ha copiado el segmento, pero todavía no ha guardado definitivamente una nota.
- Transcrito: el reconocimiento de voz ha generado un texto candidato.
- Guardado: la nota Markdown y sus metadatos se han escrito de forma duradera.
- Confirmado: el estado de sincronización registra que el segmento se ha procesado.
- Liberado: C1 ha eliminado el segmento fuente.
La transición destructiva va al final. Si un proceso falla entre la preparación y el guardado, la fuente debe seguir siendo recuperable. Si el guardado funciona pero se pierde la confirmación de borrado, la siguiente ejecución debe reconocer el segmento ya procesado y evitar una nota duplicada.
¿Cómo se prueba la matriz de interrupciones?
Provoca un fallo en cada transición y verifica ambos lados. «La aplicación se recuperó» no basta: compara los hashes de los archivos, el número de notas, el inventario del dispositivo y los punteros de estado antes y después del reinicio.
| Fallo provocado | Estado esperado del dispositivo | Estado esperado del ordenador |
|---|---|---|
| Pérdida de alimentación durante la captura | Segmentos anteriores intactos; segmento activo completo o marcado explícitamente como no válido | Ninguna nota inventada |
| Desconexión durante la transferencia | Segmento fuente conservado | Archivo parcial de preparación ignorado o reanudado |
| Proceso terminado durante el reconocimiento de voz | Segmento fuente conservado | Ningún duplicado guardado; se permite reintentar |
| Pérdida de alimentación al escribir la nota | Segmento fuente conservado | La escritura atómica deja el estado anterior o una nota nueva completa |
| Desconexión después de guardar y antes de borrar | La fuente puede permanecer | El hash del segmento procesado impide volver a transcribirlo; se puede reintentar el borrado |
| Segmento dañado | No se elimina hasta verificar una copia local en cuarentena | Se conservan el error y la procedencia de la fuente |
¿Cómo se valida la transcripción sin inventar una cifra universal de precisión?
La tasa de error de palabras es útil para un corpus etiquetado fijo, pero puede ocultar los errores importantes para el trabajo. Crea un conjunto de evaluación versionado con voz tranquila y de bajo volumen, ruido de teclado, acentos e idiomas admitidos, hablantes superpuestos, términos especializados, nombres, fechas, números y negaciones. Registra la posición del hardware y el nivel de la fuente en cada muestra.
Informa al menos de tres niveles:
- WER o CER en el corpus etiquetado, con las versiones del modelo y del decodificador.
- Tasa de reconocimiento de términos críticos para identificadores, números, nombres e instrucciones negativas.
- Utilidad para la tarea: ¿puede una persona revisora deducir la decisión prevista sin escuchar de nuevo toda la grabación?
No compares dos sistemas de reconocimiento de voz con audio, ajustes de idioma o reglas de posprocesamiento distintos.
¿Qué debe medir la validación de VAD?
La detección de actividad vocal cambia lo que llega al reconocimiento de voz. Un umbral agresivo puede cortar sílabas débiles o el inicio de una frase; uno permisivo puede conservar largos tramos de ruido. Prueba falsos rechazos, falsas aceptaciones, recortes en los límites y fragmentación con intervalos etiquetados. Después revisa la transcripción: un pequeño error temporal puede eliminar una negación crítica aunque las métricas globales de VAD parezcan aceptables.
El diseño de audio documentado de C1 utiliza Opus a 16 kHz mono y 16 kbps. RFC 6716 define Opus en un rango mucho más amplio; el valor específico del proyecto es una decisión de diseño, no un requisito fijo de Opus. Verifica la compatibilidad del decodificador, la duración, el número de canales y los hashes o el recuento de tramas de extremo a extremo en los archivos realmente codificados.
¿Cómo se verifican las afirmaciones de privacidad?
«Local» es una afirmación de arquitectura que se puede probar. Captura el tráfico DNS y de red durante la grabación, transferencia, transcripción, búsqueda y exportación. La afirmación de OneMira es más concreta que «nada usa Internet nunca»: el reconocimiento de voz y la transcripción se ejecutan en el ordenador vinculado, mientras que los servicios de IA externos elegidos por el usuario siguen la ruta de datos de su proveedor.
Por tanto, una prueba de privacidad debe registrar:
- qué proceso abre cada conexión de red;
- si del ordenador salen bytes de audio o solo metadatos de actualización y telemetría;
- dónde se guardan el audio temporal, las cachés de modelos, los registros y las transcripciones;
- cuándo se eliminan los archivos temporales del dispositivo y del ordenador;
- si un agente externo recibe un fragmento seleccionado o la nota completa.
El procesamiento local puede reducir una categoría de exposición a la nube, pero no cumple automáticamente el RGPD, HIPAA, las políticas laborales ni las leyes sobre consentimiento para grabar. El cumplimiento depende del propósito, el consentimiento, el control de acceso, la conservación, la jurisdicción y las herramientas utilizadas después.
¿Qué pruebas permiten cerrar la DVT?
Para cada requisito, conserva la versión del test, las versiones del dispositivo y del software, los datos de entrada, el resultado esperado, el medido, los registros, los hashes, las capturas de pantalla útiles y la decisión final. Repite la matriz en ambas familias de sistemas operativos admitidas. Un recorrido sin errores en un ordenador potente no valida la recuperación, el comportamiento con pocos recursos ni otra plataforma.
La documentación de solución de problemas debe relacionar los errores visibles para el usuario con estos estados. La repetibilidad en producción pasa después a la guía PVT.
Fuentes y lecturas adicionales
- IETF RFC 6716: Opus — definición normalizada del códec y rango operativo admitido.
- Guía de Microsoft para el diseño de dispositivos de audio — ancho de banda de captura, ruido recibido, correspondencia entre micrófonos y aspectos del reconocimiento de voz.
- Especificaciones de OneMira C1 — declaración pública actual sobre el procesamiento local y el ciclo de vida del audio.