Buscaba mi asistente de voz, y que fuese veloz
El origen de todo fue una chorrada: me cansaba dejar el ratón, localizar un icono, aguardar la apertura del programa, y hacer lo mismo quince veces cada día. Un día me dije "esto debería poderse hacer con la voz" y la ocurrencia se mantuvo en mi cabeza, hasta que un finde decidí ponerme a experimentar.
Asimismo, tengo claro que las interfaces de voz irán ganando una importancia cada vez mayor. 🙂
No tenía un plan. No sabía qué tecnología tenía que usar ni si el ordenador se iba a enterar de algo cuando le hablara. Lo único que tenía claro era la referencia: quería algo parecido a Jarvis, el asistente de Iron Man. Le hablas y las cosas pasan. Sin menús, sin clics, sin fricción.
El planteamiento de Jarvis, sensato y práctico
Jarvis es una invención de guion, sin duda. Pero dicha fantasía esconde un centro muy verdadero: un asistente que entienda lo que le pides y actúe al instante, sin que tengas que aguardar. Eso era justo lo que yo quería para mi rutina frente al ordenador: abrir programas, dictar un texto, subir el volumen, sin soltar lo que estuviera haciendo con las manos.
Por ello, me puse manos a la obra con la intención de fabricar algo propio, que sirviera, sin tener que fiarme de Alexa, Siri o de cualquier sistema en la nube de terceros. Mi objetivo era que corriera en mi equipo, con mis propias pautas, y que hiciera justo lo que yo precisaba, sin más.
Le he llamado Lucía y funciona con un modelo de gramática cerrada: no me «entiende», sino que entiende comandos concretos y los traduce a atajos de teclado. La sensación es bastante «futurista», la verdad.
La obsesión: que fuera rápido
Aquí está el detalle que más me importaba desde el principio: la latencia. La latencia es el tiempo que pasa entre que tú terminas de hablar y el asistente empieza a hacer lo que le has pedido. Si ese tiempo es corto, la sensación es de fluidez, como hablar con una persona. Si es largo, la sensación es de estar esperando a que el ordenador «se entere», y ahí se rompe toda la magia.
Un asistente que tarda tres segundos en reaccionar no es un Jarvis, es un freno.
Gran parte del tiempo que le he dedicado a este proyecto no ha sido añadir cosas nuevas, sino en eficientar técnicamente cómo Lucía gestiona los comandos. Pequeños recortes aquí y allá que, sumados, marcan la diferencia entre algo que se usa a diario y algo que se prueba una vez y se abandona.
La decisión de que sea un modelo de gramática cerrada por ejemplo, es una decisión puramente de velocidad.
El valor de un asistente de voz no se mide por sus capacidades, sino por la celeridad de su respuesta al solicitarle algo.
Sin plan cerrado, probando sobre la marcha
No fui a por una solución concreta desde el primer día. Fui agnóstico, en el sentido de que no me casé con ninguna herramienta ni ningún enfoque. Probé cosas, unas funcionaron mejor que otras, y me quedé con lo que daba mejor resultado en la práctica.
Eso significa que el proyecto ha ido cambiando de forma bastante orgánica. Lo que empezó siendo «quiero abrir Chrome hablando» ha terminado siendo un asistente que dicta textos, gestiona el volumen, reconoce distintos modos de escucha según si estoy solo o hay ruido de fondo, y hace bastantes más cosas que iré contando en los próximos posts.
En el próximo post, por ejemplo, cuento en detalle qué es capaz de hacer el asistente en mi día a día real: abrir aplicaciones, saludar, decirme la hora, dictar textos enteros sin tocar el teclado y subir o bajar el volumen sin buscar el icono en la barra de tareas.
Pero os dejo ya aquí un vídeo de mi asistente de voz con los comandos más básicos, para que veáis a Lucía en acción.
