Si quieres la respuesta más corta, es esta: el dictado sin conexión suele sentirse más rápido porque hay menos pasos entre «dejé de hablar» y «apareció el texto». El dictado en la nube también puede ser la elección correcta, pero paga un coste de red y de subida que los flujos locales no pagan.
TL;DR
- El dictado en el dispositivo elimina del ciclo el trayecto de subida y de procesamiento remoto.
- Las herramientas en la nube siguen pudiendo ser excelentes si quieres historial compartido, automatización en el servidor o flujos de reescritura agresivos.
- La guía actual de Apple para Mac deja claro que el comportamiento del Dictado varía según la configuración; los ajustes de Teclado indican si el dictado de texto general se procesa en el dispositivo o se envía a los servidores de Siri.
- El Control por voz también funciona sin conexión tras su descarga única.
- Para el dictado diario en Mac, la pregunta real no es solo la precisión. Es la latencia del flujo de trabajo: cuánto esperas tras cada enunciado, todo el día.
- La precisión depende tanto del acondicionamiento de la entrada y de los hábitos al hablar como del tamaño del modelo.
La pregunta de latencia que de verdad importa
La calidad del modelo y las listas de funciones son el eje equivocado para una herramienta que activas doscientas veces al día. La pregunta que predice cómo se siente la herramienta es más concreta:
¿Cuántos pasos ocurren después de que dejo de hablar?
De dónde viene el retraso
Esta sección describe el mecanismo, no una medición. La idea es nombrar los pasos para que sepas qué cronometrar en tu propio equipo, y no qué cifra creer de una página de marketing.
En un flujo en el dispositivo, el trayecto suele ser:
- capturar el audio en local,
- procesar o transmitir fragmentos en local,
- finalizar el tramo final incompleto,
- insertar el texto.
El dictado en la nube añade un trayecto de red:
- capturar el audio en local,
- abrir una conexión (resolución DNS, handshake TLS, a veces autenticación),
- subir el audio,
- esperar la inferencia remota,
- descargar el resultado,
- a veces pasar el texto por otra capa de reescritura o formato.
Dos propiedades de esa segunda lista conviene entenderlas, porque se comportan de forma distinta.
El establecimiento de la conexión es más o menos fijo por solicitud. DNS, TLS y la autenticación cuestan aproximadamente lo mismo si dictaste dos palabras o dos minutos. Ese coste se reparte en una grabación larga y no se reparte en absoluto en una nota de cinco segundos. Así que cuanto más corto es tu enunciado habitual, mayor es la parte de la espera que no tiene nada que ver con reconocer la voz. Las conexiones persistentes y los protocolos de transmisión en tiempo real lo reducen, y por eso los detalles de implementación importan más que la etiqueta «nube frente a local».
El tiempo de transferencia crece con la duración del audio. La calidad del reconocimiento suele favorecer el audio poco comprimido o sin comprimir, así que la carga de una sesión larga no es pequeña. Con una conexión estable es invisible. En el wifi de un hotel o una cafetería, es la variable que se mueve.
Local no significa magia instantánea. Sigue habiendo trabajo después de que dejas de hablar. Pero sí significa que eliminas todo el ciclo de subida y retorno, y con él la parte del retraso que depende de una red que no controlas.
Puedes ver esta forma por ti mismo en la demostración interactiva, que te permite variar la duración del enunciado y las condiciones de red: /blog/latency-demo.
Ventanas: por qué las sesiones largas no tienen por qué ser más lentas
Una implementación local ingenua espera a que termines y luego transcribe toda la grabación. Eso tiene el mismo problema de escala que una subida: media hora de audio es media hora de audio.
Las implementaciones en tiempo real lo evitan decodificando mientras hablas, en lotes acotados. Cuando paras, solo hay que terminar el último lote incompleto.
Voice Type funciona así, con un objetivo de lote de 29 segundos, acotado a un rango de 15 a 29. Los lotes no son ventanas de longitud fija: el agrupador acumula regiones de voz completas y no corta ninguna por la mitad en un límite, de modo que una frase entrante que cruzaría el objetivo empieza el siguiente lote. La consecuencia práctica es que la espera tras dejar de hablar está acotada por el objetivo del lote y no por la duración de la sesión. Un dictado de dos minutos y uno de treinta minutos terminan con la misma cantidad de trabajo pendiente.
Es una propiedad de la arquitectura, no una prueba de rendimiento. Cuánto tarda en realidad esa pasada final depende de tu Mac, y conviene cronometrarla en el tuyo.
Dictado en la nube: más piezas móviles, pero a veces el intercambio correcto
Cada paso extra en el trayecto de la nube puede valer la pena si el producto hace algo valioso:
- historial de equipo,
- sincronización a nivel de cuenta,
- canalizaciones de prompts o plantillas en el servidor,
- procesamiento de reuniones o archivos a mayor escala,
- posprocesamiento que mejora la entrada hablada en bruto.
La idea no es «la nube es mala». La idea es que la nube tiene más cosas que pueden convertirse en el cuello de botella.
Dónde encaja Apple
La propia pila de Apple está ahora en medio de esta conversación.
Las páginas de soporte actuales dejan claras dos cosas:
- el dictado de texto general puede procesarse en el dispositivo o enviarse a los servidores de Siri según tu configuración,
- el Control por voz requiere una descarga única y después puede usarse sin internet.
Así que el «dictado del Mac» no es una arquitectura fija. Depende de:
- tu hardware,
- tu idioma y región,
- la función que uses,
- si usas Dictado o Control por voz.
Es una de las razones por las que las comparativas genéricas envejecen mal: hablan del «dictado del Mac» como si fuera un único producto estático.
Por qué los usuarios diarios notan más la diferencia que los ocasionales
Si dictas un párrafo a la semana, la diferencia entre local y nube quizá no importe mucho.
Si dictas decenas o cientos de veces al día, los pequeños retrasos se acumulan:
- esperar la conexión,
- esperar a que termine la subida,
- esperar una respuesta,
- esperar una segunda pasada que «pule» el texto.
Ahí es donde los flujos en el dispositivo ganan terreno. El retraso absoluto no siempre es dramático. Lo que lo encarece es la repetición. La constancia importa más que el mejor caso: un flujo predecible con mal wifi supera a uno que es más rápido con buen wifi e inutilizable con mal wifi.
La precisión no es solo un problema del modelo
El tamaño del modelo es la cifra con la que abre toda página de producto, y es una entrada entre varias. En el uso real, la precisión depende de:
- la calidad del micrófono,
- el ruido de la habitación,
- el eco,
- la ganancia de entrada,
- la segmentación del habla,
- el desajuste de vocabulario,
- y de si el flujo te deja seguir sin romper la concentración.
Por eso una afirmación del tipo «usamos el modelo más grande» no te dice cómo se sentirá realmente la app en Slack, Gmail o Linear.
Acondicionar la entrada antes del reconocimiento
Los modelos de voz se entrenan con audio de características concretas. Cuanto más se acerque tu entrada a esa distribución, menos tiene que adivinar el modelo. Tres ajustes hacen la mayor parte del trabajo:
- Normalizar la sonoridad a un objetivo constante, para que las palabras lleguen a niveles similares tanto si te acercaste como si te echaste hacia atrás.
- Filtrar el rumor de baja frecuencia con un filtro paso alto suave. Los golpes en el escritorio, el aire acondicionado y el ruido del edificio llevan energía que no es voz.
- Usar detección de actividad de voz (VAD) consciente del ruido, para que el silencio y el fondo no se entreguen al reconocedor como si fueran palabras.
Voice Type aplica los tres antes del reconocimiento. Los valores predeterminados de fábrica para el dictado en vivo son un objetivo de sonoridad de menos 16 LUFS y un filtro paso alto de 50 Hz, ambos visibles y ajustables en los ajustes de audio de la app. El razonamiento es que mejorar la señal es más honesto que parchear la salida: las «correcciones» pesadas basadas en prompts pueden hacer que una transcripción parezca segura mientras se aleja de lo que se dijo.
Lectura relacionada sobre los componentes concretos: detección de actividad de voz y remuestreo a 16 kHz.
Dos etapas, en este orden. El objetivo de sonoridad no es un único número, depende de la ruta que siguió el audio. Fuentes: WhisperState+FileTranscription.swift, WhisperState.swift.
Puntuación y pausas entre oraciones
La puntuación es lo que solo notas cuando falla. Un punto que falta. Un espacio doble. Un nombre propio que parte una oración.
Casi todo se reduce a la segmentación, y por eso el acondicionamiento de la entrada y tus hábitos al hablar la afectan directamente. Las variaciones de volumen pueden interpretarse como límites de oración. El ruido de la habitación difumina las pausas que el modelo usa para cerrar una oración.
Hábitos que ayudan con cualquier micrófono:
- Haz una pausa un poco más larga en los puntos finales. Medio compás basta para dar una señal clara de límite.
- Di la puntuación de las listas cuando la precisión importe. En listas ajustadas o en código, decir «comma» en voz alta elimina las conjeturas.
- Mantén un nivel constante. Acércate al micrófono en lugar de hablar más fuerte; una señal limpia vale más que una señal caliente.
- Añade palabras personalizadas. Los nombres de producto y la jerga que no están en un diccionario general se convierten en anclas una vez que los registras, lo que reduce las ediciones en notas largas.
- Mantén suave la supresión de ruido si tu herramienta la ofrece. Un filtrado agresivo recorta consonantes, y las consonantes recortadas te cuestan más que el ruido.
Una forma rápida de probar cualquier configuración de dictado en tu propio equipo: lee esta línea en un documento en blanco sin decir la palabra «period».
Aeloria and Kyran left Eldmere at dawn. They crossed the Kintara ridge before the fog rolled in. Skystack Nova ships next week.
Mezcla nombres propios inventados con una estructura de oración normal, así que puedes ver cómo maneja una herramienta tanto el vocabulario desconocido como las pausas entre oraciones en una sola pasada. Hazlo una vez a distancia normal y otra con el micrófono más cerca, y compara.
La privacidad es una diferencia estructural, no una función
Con el dictado en el dispositivo, el audio no sale del equipo, así que no hay política de conservación que leer ni proveedor en quien confiar la grabación. Con el dictado en la nube, el audio sale del equipo por diseño, y la cuestión de la privacidad pasa a ser una cuestión sobre cómo lo gestiona un proveedor concreto.
Voice Type mantiene el dictado en local. La reescritura opcional con LLM es la excepción, y es opcional: el texto va directamente desde tu Mac al proveedor cuya clave proporcionaste, no a través de nuestros servidores. Los detalles están en el centro de confianza y en la política de privacidad.
Dónde encaja Voice Type
Voice Type está pensado para el caso de uso repetido: mantén pulsado el atajo, habla, suelta y recibe el texto en local, con el comportamiento de ventana móvil descrito arriba.
Es un trabajo distinto al de las herramientas centradas en:
- la transcripción de archivos,
- la grabación de reuniones,
- la reescritura en la nube,
- o el historial compartido en el servidor.
Si quieres comparar categorías en lugar de eslóganes, estas páginas son más útiles:
Cuándo la nube sigue ganando
La nube sigue encajando mejor cuando necesitas:
- transcripciones compartidas en todo un equipo,
- almacenamiento y búsqueda en el servidor,
- posprocesamiento automático de borradores dictados largos,
- flujos que dependen de la centralización en lugar de la privacidad,
- infraestructura gestionada en lugar de cómputo local.
La conclusión honesta no es «lo local vence a la nube». Es esta:
Lo local gana cuando tu cuello de botella es la velocidad de interacción. La nube gana cuando tu cuello de botella es la colaboración, el procesamiento en el servidor o un flujo centralizado.
¿Cuál deberías elegir?
Usa esta regla:
| Si lo que más te importa es... | Mejor opción | | --- | --- | | Dictado rápido y repetido en apps del Mac | En el dispositivo | | Modelo de privacidad local | En el dispositivo | | Historial compartido y automatización en el servidor | Nube | | Subida de archivos y gestión de transcripciones | Nube o herramientas de transcripción de archivos | | Control por voz orientado a la accesibilidad | Control por voz de Apple |
Próximos pasos prácticos
Si aún estás decidiendo, haz esto:
- Usa el Dictado de Apple durante unos días con tu micrófono real y tus apps reales.
- Fíjate en el retraso tras enunciados cortos, no solo en grabaciones largas.
- Repite la misma prueba en una red poco fiable, porque ahí es donde se separan las dos arquitecturas.
- Si la herramienta integrada te basta, quédate con ella.
- Si te sorprendes pensando en el flujo de trabajo en lugar de en lo que escribes, prueba una app local dedicada.
Empieza aquí si quieres el camino local en Mac:
Fuentes
- Apple Support: Dictate messages and documents on Mac
- Apple Support: If Dictation on Mac doesn’t work as expected
- Apple Support: Get started with Voice Control on Mac
- OpenAI research: Whisper overview
- Paper: Robust Speech Recognition via Large-Scale Weak Supervision