Un benchmark casero que expone el problema real de la voz local
En una prueba sintética con frases generadas por Piper mezcladas con ruido de fondo y ráfagas, el pipeline anterior de Platypush mantenía la conversación abierta entre 6 y 10 segundos después de que la persona había dejado de hablar. Con los cambios que documenta el propio autor en el blog del proyecto, ese retraso cayó a 1,0–1,6 segundos. Para quien está construyendo un producto con voz, esa diferencia no es estética: es la línea entre un asistente que responde y uno que parece roto.
El artículo no anuncia un producto ni una ronda. Es la bitácora técnica de alguien que llevaba meses usando su asistente autoalojado como controlador principal y se cansó de los falsos positivos y negativos, sobre todo con micrófonos baratos y en entornos ruidosos. Aun así, es lectura obligatoria para cualquier equipo que esté armando una pipeline de voz, porque buena parte de los problemas que describe no son de modelos: son de arquitectura de audio.
Qué cambió: microWakeWord en lugar de openWakeWord
La detección de palabra de activación es la primera pieza que el autor reemplazó. Durante meses usó el plugin assistant.openwakeword, que envuelve openWakeWord. Funcionaba, pero el proyecto lleva un tiempo sin movimiento y todos sus modelos preentrenados son archivos v0.1 de 2023, entrenados en su mayoría con voz sintética. El resultado en la práctica: falsos positivos (la palabra clave se disparaba con ruido de fondo) y falsos negativos (no detectaba el hotword si no estabas cerca del micrófono).
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →La alternativa es el nuevo plugin assistant.microwakeword, construido sobre microWakeWord a través de los bindings de Python pymicro-wakeword. La razón de peso es de ecosistema: microWakeWord es el motor que usan ESPHome y Home Assistant Voice, sus modelos se mantienen activos y vienen incluidos en el paquete (okay_nabu, hey_jarvis, hey_mycroft, alexa), sin descargas adicionales. También acepta modelos propios: basta con dejar un manifiesto JSON de microWakeWord con su archivo .tflite en el directorio de modelos del plugin.
La migración es barata porque el plugin expone la misma API que el anterior: mismos parámetros (models, detection_threshold, frame_duration, patience_frames, input_device, input_volume), misma acción list_models y el mismo evento HotwordDetectedEvent. En la práctica, cambiar de motor es cambiar el bloque de configuración.
Tres decisiones de diseño que vale la pena copiar si estás construyendo algo parecido:
- Sin
detection_thresholdexplícito, cada modelo usa elprobability_cutoffde su propio manifiesto (0,9 paraalexa), que es el valor contra el que se validó el modelo. - Como los modelos ya suavizan su salida en una ventana deslizante,
patience_framesarranca en 0 (a diferencia de openWakeWord, donde el default era otro). - El hilo de audio nunca toca los modelos TFLite directamente: encola tramas a un hilo principal, porque
MicroWakeWord.reset()recarga el intérprete y no es seguro llamarlo en paralelo.
¿Por qué el final de la conversación era el verdadero cuello de botella?
El problema más caro no estaba en el wake word, sino en saber cuándo el usuario terminó de hablar. La implementación anterior usaba un booleano por trama de WebRTC VAD, y cualquier trama clasificada como voz reiniciaba el temporizador de silencio. Con un poco de ruido de fondo, las frases solo terminaban cuando se alcanzaba la duración máxima de conversación. Es el clásico bug que ningún usuario reporta: simplemente deja de usar el asistente.
La capa de preprocesado de audio (AudioPreprocessor, compartida por las integraciones de speech-to-text) se reescribió con tres mecanismos:
- Silero VAD como backend primario, vía
onnxruntimey sin necesidad de PyTorch, con WebRTC VAD y un detector basado en RMS como respaldo. El modovad_backend: autoelige según lo que esté instalado. El modelo se descarga la primera vez y se verifica por checksum. - Histéresis más ventana deslizante: una trama entra en estado de voz al superar el umbral y se mantiene ahí hasta que su score cae por un margen; las decisiones por trama se suavizan por voto de mayoría en una ventana de 0,5 segundos. Una ráfaga de ruido aislada ya no puede mantener viva una conversación.
- Piso de ruido adaptativo: el nivel de fondo se rastrea en el tiempo y las tramas que no superan
noise_floor_factor(default 2,0, equivalente a unos 6 dB) por encima del piso nunca se consideran voz.
Como el cambio se hizo en la capa compartida, otros motores nativos de speech-to-text también se benefician, por ejemplo assistant.vosk para detección completamente en dispositivo.
¿Cómo se conecta esto con el resto del ecosistema de voz local?
El artículo no lo dice, pero el contexto de mercado lo hace evidente: microWakeWord es el estándar de facto del hardware de voz autoalojado. CNX Software reportó en noviembre de 2026 sobre LocalDot, una placa base open source que convierte un Echo Dot de tercera generación en un asistente local compatible con Home Assistant, con detección de wake word en el dispositivo y soporte para palabras clave personalizadas; la campaña en Crowd Supply superó su meta de US$7.500 y una placa suelta cuesta US$50. OpenSourceForU cubrió el mismo proyecto y confirmó que la integración se hace vía ESPHome.
Es exactamente el mismo motor que el autor del artículo acaba de integrar en Platypush. La conclusión práctica para un founder: el trabajo de detección de hotword se está comoditizando en la capa de hardware y firmware, y la diferenciación se corre hacia lo que pasa después — el contexto, la latencia de respuesta y la calidad de la detección de fin de turno.
Del lado de las implementaciones completas, XDA Developers documentó un asistente privado montado con Home Assistant, un parlante ATOM Echo de US$13, Whisper para speech-to-text, Piper para text-to-speech, Ollama para el modelo local y el protocolo Wyoming como pegamento. Su veredicto fue honesto: no reemplaza a los asistentes cloud y las preguntas abiertas mandan al modelo local a un loop largo de procesamiento. Es el mismo trade-off que describe Platypush, con otras piezas.
¿Qué significa esto para tu startup?
La lección no es «usa microWakeWord». Es que en productos de voz la experiencia se rompe en los bordes, no en el centro: el disparo del hotword y el cierre del turno. Dos cosas concretas que puedes hacer esta semana:
- Mide tu latencia de fin de turno antes de tocar el modelo. Toma entre 30 y 50 frases reales de tus usuarios, mézclalas con ruido de fondo y mide cuánto tarda tu sistema en cerrar la conversación después de la última palabra. Si el número supera el segundo y medio, el problema casi siempre está en el VAD y en el umbral de silencio, no en el LLM. Es un test de una tarde que te ahorra semanas de tuning de prompt.
- Reemplaza decisiones booleanas por decisiones suavizadas. Si tu detección de voz se basa en una trama aislada que activa o desactiva el estado, vas a tener el mismo bug de Platypush: ruido de fondo que alarga conversaciones para siempre. Implementa histéresis (un umbral para entrar en voz, otro más bajo para salir) más un voto de mayoría en ventana corta, y añade un piso de ruido adaptativo.
- Diseña la migración con la misma API. El plugin nuevo de Platypush replica la interfaz del anterior para que cambiar de motor sea una línea de configuración. Si estás atando tu producto a un proveedor de wake word o de STT, define tu propia capa de abstracción ahora: el motor que eliges hoy probablemente no sea el mejor en 12 meses.
Los límites que el propio autor reconoce
El artículo es inusualmente transparente con sus caveats, y eso lo vuelve más útil. El micrófono de su Raspberry Pi no soporta 16 kHz de forma nativa, así que captura a 44,1 kHz y remuestrea por software; funciona, pero si la detección se siente lenta, el remuestreo por software es el primer sospechoso. Los defaults del VAD y los umbrales se ajustaron con audio sintético y un par de grabaciones propias, así que distintas habitaciones, micrófonos y acústicas pueden dar resultados distintos: el consejo es tocar detection_threshold en el plugin de wake word y noise_floor_factor en los de STT.
También hay un dato de latencia relevante para quien quiera ir 100% local: tts.piper corre enteramente en el dispositivo, pero en las pruebas del autor sobre una Raspberry Pi 5 agregaba entre 3 y 4 segundos de latencia frente a tts.openai. Local no siempre es más rápido, y ese cálculo hay que hacerlo con el hardware real, no con el ideal.
Conclusión
Platypush no vendió nada ni levantó capital: reescribió su pipeline y publicó los números. Aun así, el artículo es una de las lecturas más rentables del mes para cualquier equipo que construya voz, porque muestra dónde se pierden los usuarios. El wake word se resuelve migrando a un motor mantenido y con modelos vigentes; el fin de turno se resuelve con Silero VAD, histéresis, ventana deslizante y piso de ruido adaptativo. Ninguna de esas piezas es exótica ni cara. Lo caro es no medirlas.
Fuentes
- Rewriting my voice assistant pipeline – Platypush
- LocalDot – Open-source PCB for 3rd-gen Amazon Echo Dot enables Home Assistant support – CNX Software
- Open-Source PCB Turns Echo Dot Into A Local Assistant – OpenSourceForU
- I built a private voice assistant for my smart home using Home Assistant and a local LLM – XDA Developers
Leíste lo que hace la IA. ¿Y en tu negocio?
Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.
👥 Quiero el Kit →













