Cómo funciona VoxTranslate: la traducción de voz multilingüe en tiempo real explicada
Un vistazo al interior de la pipeline que convierte tu voz en habla traducida y en directo para todos los participantes de la llamada — y los cuatro niveles de motor que la impulsan.
VoxTranslate permite que personas que no comparten un idioma mantengan una conversación por vídeo de lo más normal. Tú hablas; todos los demás leen — y, en los niveles superiores, escuchan — tus palabras en su propio idioma, en directo. Este artículo te muestra lo que realmente ocurre entre el momento en que hablas y el momento en que alguien al otro lado te entiende.
La pipeline en tiempo real
Cada llamada ejecuta el mismo bucle de cuatro fases, de forma continua, para cada persona que habla:
- Captura. Tu navegador transmite breves fragmentos de audio de baja latencia usando el códec Opus — sin plugins, sin app nativa.
- Transcripción. El reconocimiento de voz en streaming convierte ese audio en texto mientras hablas, con el idioma de origen detectado automáticamente o establecido por ti.
- Traducción. La transcripción se traduce en paralelo a todos los idiomas presentes en la sala, así que una llamada de cuatro personas en cuatro idiomas se gestiona de una sola vez.
- Entrega. Cada oyente ve subtítulos en directo en el idioma que ha elegido. En los niveles superiores también escucha una traducción hablada natural.
Por qué importa el peer-to-peer
El vídeo y el audio que compartes con los demás participantes viajan directamente entre navegadores a través de WebRTC, en una malla de hasta cuatro personas. Tu contenido multimedia no se graba ni se enruta a través de un servidor central — el trabajo del servidor es el signaling, ejecutar la pipeline de traducción y retransmitir el chat. Menos saltos significan menor latencia y una superficie de privacidad más pequeña.
Los cuatro niveles de motor
No todas las conversaciones necesitan el mismo equilibrio entre velocidad, calidad de voz y coste, así que VoxTranslate te deja elegir un motor para cada llamada.
Standard
La opción predeterminada. Reconocimiento en streaming rápido y económico con subtítulos traducidos en directo y una voz integrada del navegador. Perfecto para charlas del día a día en las que sobre todo lees a la vez.
Enhanced
Una ruta de streaming directa desde el cliente, ajustada para una latencia ultrabaja — una capacidad de respuesta de en torno a 250 milisegundos — en un amplio conjunto de idiomas. Ideal para un toma y daca rápido y natural donde cada pausa cuenta.
Pro
Traducción con AI en directo con una voz sintetizada natural. Este es el punto justo para reuniones y demos: alta calidad, una traducción hablada de verdad en el oído del oyente y un coste equilibrado. Es el nivel al que recurre la mayoría de la gente.
Premium
La opción de máxima fidelidad, con una voz de AI natural y la cobertura más amplia — los 84 idiomas compatibles. Diseñada para conversaciones de mucho en juego donde la precisión y los matices merecen el sobreprecio.
Una nota sobre la salida de la AI
La transcripción y la traducción las generan sistemas de AI y pueden contener errores. La traducción hablada que escuchas la genera el ordenador — no es una grabación de la voz de quien habla. VoxTranslate está pensado para la comunicación del día a día, no para decisiones críticas de tipo legal, médico o de seguridad.
Pruébalo tú mismo
La forma más rápida de entender la pipeline es sentirla. Abre una sala, elige tu idioma y mantén una conversación de un minuto con alguien que hable otro. Verás cómo tus palabras se convierten en subtítulos — y las escucharás convertirse en voz — en tiempo real.