• 2 min de lectura
VoiceBox convierte dictado de Whisper en texto formateado
VoiceBox es una app de dictado de código abierto para macOS que transmite audio a Cloudflare Workers AI y luego pega automáticamente el texto formateado en la app activa.
Imagen: Hacker News
VoiceBox es una herramienta de reconocimiento de voz de código abierto construida alrededor de Whisper y un formateador alojado en la nube, diseñada para insertar texto pulido directamente en la aplicación que estés usando. El flujo es simple: mantén presionadas Ctrl+Cmd, habla, suelta las teclas, y la app transcribe tu voz, la formatea con un LLM, copia el resultado al portapapeles y lo pega automáticamente en la aplicación de origen.
El cliente de escritorio está construido con Wails, usando Go y un WebView de React, mientras que el backend se ejecuta como un Cloudflare Worker con un Durable Object que maneja la acumulación de audio y la canalización de IA. Según la página del proyecto, el worker usa @cf/openai/whisper-large-v3-turbo para reconocimiento de voz y @cf/qwen/qwen3-30b-a3b-fp8 para el formateo.
En macOS, VoiceBox captura el contexto del elemento enfocado —incluyendo el nombre de la app, bundle ID, rol del elemento, título, texto del marcador de posición y el valor actual— y envía eso junto con la configuración de audio en la sesión WebSocket para que el formateador pueda ajustar la salida. El pegado automático requiere permiso de Accesibilidad de macOS.
La aplicación actualmente está dirigida a macOS, con window_darwin.go encargándose de la superposición, los ajustes y el comportamiento del Dock, mientras que las compilaciones para otros sistemas están esbozadas. La instalación requiere:
- Go 1.24+
- Node.js + pnpm
- Wails v2 CLI
- Una cuenta de Cloudflare con acceso a Workers AI
- macOS para soporte de pegado automático
La canalización de audio por defecto funciona a 16 kHz, mono, PCM con signo de 16 bits en little-endian, en fragmentos de aproximadamente 4096 bytes, unos 128 ms cada uno. El tamaño máximo de grabación se indica en unos 25 MiB, es decir, aproximadamente 13 minutos.
Recomendado
Signal prueba usar teléfonos Android como dispositivos vinculados
El repositorio también describe una Fase 2 planificada con un backend local usando faster-whisper para la transcripción y Ollama para el formateo. Por ahora, la vía principal es basada en la nube, configurada mediante un archivo voicebox.toml que apunta la app de escritorio a un worker de Cloudflare desplegado y a un secreto compartido.
Computing Editor
Tomas lives in the terminal. He covers chips, laptops, and operating systems with a focus on performance and efficiency. He reads kernel changelogs the way other people read fiction, and he's always on the hunt for the perfect mechanical keyboard switch. If it processes data, Tomas has an opinion on it.
vía Hacker News
