Arquitectura de voz híbrida: privacidad del dictado local y en la nube

Si eres abogado, médico o ingeniero que trabaja con código propietario, puede que estés sujeto a normas sobre adónde puede ir la información de clientes, pacientes o de la empresa. Tu voz cuenta: un correo dictado contiene todo lo que contiene el correo.

Así que la primera pregunta que hay que hacer sobre cualquier app de dictado es sencilla: ¿adónde va mi audio? Hay tres respuestas: a un servidor en la nube, a ninguna parte (se queda en tu dispositivo) o una mezcla de las dos, que es lo que la gente entiende por arquitectura de voz híbrida.

Qué ocurre con tu voz en una app de dictado en la nube#

Cuando dictas con una herramienta en la nube, tu voz se graba, se envía por internet a un servidor, un modelo de voz la transcribe y vuelve como texto. Muchas apps pasan después ese texto a un modelo de lenguaje para limpiarlo.

Lo que ocurre a continuación depende de las políticas del proveedor: si el audio se guarda y durante cuánto tiempo, si alguna vez lo ven personas o modelos, y qué otras empresas lo procesan. Son compromisos, no garantías técnicas, así que léelos y comprueba si tu organización ya aprueba el servicio.

El procesamiento en la nube tiene ventajas reales. Los modelos grandes se ejecutan deprisa en el hardware de un servidor sin gastar la memoria ni la batería de tu portátil, y la app se comporta igual en cualquier ordenador. Las contrapartidas: necesitas conexión y dependes de cómo trate tus datos el proveedor.

Dónde encaja LumeVoice: LumeVoice es una app en la nube. La voz la transcribe Whisper large-v3-turbo, ejecutado por Groq (con Mistral Voxtral como respaldo), y un modelo de lenguaje limpia el texto. El audio no se guarda después de procesarlo, tu historial de transcripciones se queda en tu dispositivo y nada de lo que dices se usa para entrenar un modelo. No tiene modo sin conexión.

Qué cambió Apple Silicon para el dictado local#

Los chips de la serie M de Apple hicieron práctico el reconocimiento de voz local en un portátil. Combinan un Neural Engine para el aprendizaje automático con una GPU potente y memoria compartida entre ambos, algo que va bien a modelos como Whisper.

Los motores de código abierto lo aprovecharon: whisper.cpp (con licencia MIT) y WhisperKit, de Argmax, ejecutan modelos Whisper directamente en un Mac. Apps como MacWhisper, Superwhisper (con modelos locales), VoiceInk y Buzz transcriben en tu propio equipo, y el dictado integrado de Apple puede procesar la voz en tu Mac (los ajustes de Teclado indican qué idiomas gestiona en el propio dispositivo).

Cuando la transcripción se hace en local, el audio se queda en tu Mac y el dictado sigue funcionando con el wifi desactivado. Las contrapartidas son prácticas, no de privacidad:

• Hardware. Los modelos más grandes necesitan más memoria. La propia página de MacWhisper dice que sus modelos Whisper Medium y Large necesitan un Mac con más de 8 GB de RAM para funcionar bien.
• Velocidad y batería. Ejecutar un modelo grande consume energía, y un Mac antiguo puede ser claramente más lento que un servidor.
• Limpieza. Las apps locales varían en si eliminan las muletillas y aplican las correcciones, y en si ese paso también se ejecuta en local.

Cómo funciona la arquitectura híbrida#

Un diseño híbrido divide el dictado en dos capas:

1. La capa de transcripción (en tu dispositivo): hablas y un modelo local convierte el audio en texto en bruto. El audio nunca sale de tu ordenador.
2. La capa de razonamiento (local o en la nube): el texto en bruto, no el audio, puede enviarse opcionalmente a un modelo de lenguaje más capaz para quitar muletillas, corregir el formato, reestructurar notas o traducir.

Tú controlas el dial. Para una lluvia de ideas, puedes activar una capa de razonamiento en la nube para una mejor limpieza. Para trabajo que nunca debe salir de tu máquina, mantén las dos capas en local, o usa una herramienta totalmente local.

Ten claro lo que «híbrido» no significa: cuando el texto llega a un modelo en la nube, ese texto ha salido de tu máquina, aunque el audio no lo haya hecho. Un correo de un cliente dictado es tan confidencial como texto como lo era como audio.

Preguntas que hacerte antes de elegir#

Sea cual sea la arquitectura, estas preguntas resuelven la mayoría de las decisiones de privacidad:

1. ¿Dónde se procesa mi audio: en mi dispositivo o en un servidor?
2. ¿Se guarda el audio después de procesarlo y, si es así, durante cuánto tiempo?
3. ¿Se usa algo de lo que digo para entrenar modelos?
4. ¿Adónde va el texto para limpiarlo?
5. ¿Dónde se guarda mi historial: en mi dispositivo o en una cuenta en la nube?
6. ¿Funciona sin conexión?
7. ¿Lo permite mi empresa, mi cliente o mi regulador? En el trabajo regulado (HIPAA, RGPD, secreto profesional), esa respuesta pesa más que todo lo demás.

En el caso de LumeVoice, las respuestas son: en un servidor; no; no; a un modelo de lenguaje en la nube; en tu dispositivo; no; y la última depende de tu organización.

Para el trabajo que legalmente no puede salir de tu máquina, la opción segura es una herramienta que transcriba en el dispositivo, como MacWhisper o Superwhisper con modelos locales, con cualquier limpieza también en local, porque ningún ajuste elimina el paso de subida en un transcriptor en la nube. Nuestra guía de dictado privado para el ámbito legal y médico va más allá.

Lecturas adicionales#

• Qué es el dictado por voz con IA agéntica y cómo funciona
• Dictado privado para el ámbito legal y médico
• ¿Funciona Wispr Flow sin conexión?
• Las mejores apps de Whisper de código abierto para Mac
• La aplicación de dictado más precisa para Mac
• Mejores apps de dictado bilingües en 2026: cuáles cambian de idioma por ti
• Mejor API de voz a texto en 2026: OpenAI, Deepgram, AssemblyAI, Google, Azure y AWS
• Guía de voz a texto: cómo funciona y cómo elegir una herramienta
• Software de reconocimiento de voz: qué es y qué tipo necesitas