Entrada por voz

Estado: Activo desde Phase 62 (2026-06-05). whisper.cpp auto-hospedado en Contabo — sin dependencia de OpenAI, el audio no sale de tu servidor.

Arc OS admite dos capas de entrada por voz en el compositor del chat:

Ambas capas alimentan el mismo cuadro de texto del compositor y son transparentes para el worker de IA.

Usar la voz en el chat

1. Abre el workspace de cualquier proyecto y pon el foco en el compositor del chat.
2. Haz clic en el botón de micrófono (abajo a la izquierda del compositor) o pulsa Ctrl+Shift+V (funciona con cualquier distribución de teclado — el atajo corresponde a la tecla física V, no al carácter de la distribución).
3. Habla. Una animación de onda + un borde naranja indican que está grabando.
4. Haz clic en el botón del micrófono de nuevo (o pulsa el atajo) para parar.
5. El texto transcrito aparece en el compositor — edítalo si hace falta y luego envía.

Modo continuo: L1 sigue escuchando hasta que pares; L2 graba un único clip y lo envía para transcripción.

L1 — Web Speech API (Chrome/Edge)

Usa la API de reconocimiento de voz integrada del navegador. Funciona al instante, sin ida y vuelta al servidor.

Idioma: se establece automáticamente desde tu preferencia de idioma en Arc. Códigos BCP-47 admitidos: uk-UA, en-US, de-DE, es-ES, fr-FR, pl-PL, ru-RU, pt-BR.

Permisos: el navegador pide acceso al micrófono en el primer uso. Si lo bloqueaste por accidente, ve a Site settings → Microphone → Allow para arc-os.co. El header Permissions-Policy de arc-os.co usa microphone=(self) — se permite el acceso same-origin mientras los embeds cross-origin quedan bloqueados.

Limitaciones:

• Requiere Chrome o Edge (basados en Chromium). Firefox y Safari pasan automáticamente a L2.
• La calidad de transcripción depende de los servidores de Google (los llama el navegador, no Arc OS).

L2 — whisper.cpp auto-hospedado

Arc OS ejecuta un arc-whisper.service persistente en Contabo con el modelo ggml-base (142 MB) precargado. Cuando el navegador no admite la Web Speech API, el compositor recurre a esta capa automáticamente:

1. El navegador graba un clip WebM vía MediaRecorder.
2. Al parar, el clip se envía por POST a /api/crm/voice/transcribe (multipart, máx 25 MB).
3. El servidor lo reenvía al whisper-server local en 127.0.0.1:19214 — los bytes de audio nunca salen de Contabo.
4. El texto transcrito vuelve y se inserta en el compositor.

Latencia: ~3.4 s para un clip de 11 segundos (modelo caliente, 3.1× tiempo real en la máquina actual EPYC de 6 vCPU).

Concurrencia: el whisper-server tiene un semáforo de 2 slots. Si ambos están ocupados, la API devuelve 429 ("server busy") y la UI muestra un toast — inténtalo de nuevo en unos segundos.

Cuota diaria

Cada usuario tiene un límite blando de 60 min/día en transcripciones L2. El servidor estima la duración del clip a partir del tamaño de la subida (asumiendo códec de voz de ~32 kbps, precisión de ±30%). Al alcanzar el límite:

• La API devuelve 429 con { "error": "Daily voice quota reached (60 min/day)", "used": <seconds>, "cap": 3600 }
• El botón del micrófono se desactiva por el resto del día
• La cuota se reinicia a medianoche UTC

L1 (Web Speech API) no está sujeta a este límite — usa el servicio propio del navegador.

Solución de problemas

Referencias

• shared/routes/voice.ts — handler del endpoint (Phase 62.4, #373)
• shared/migrations/051_voice_usage.ts — tabla de cuota voice_usage_log
• frontend/src/crm/pages/workspace/Composer.jsx — componente MicButton
• arc-whisper.service en Contabo — configuración del daemon whisper.cpp
• Endpoint API: POST /api/crm/voice/transcribe