Voz

El reto

Las reuniones las grabábamos con Plaud: una grabadora que costó unos US$ 220 con el envío por Amazon, más el plan de transcripción por la App Store, que salía en $ 999.999 COP al año. Funcionaba, pero para una sola persona.

Para el equipo, la cuenta no cerraba. Cada persona nueva era otra grabadora y otro plan. El audio de reuniones con clientes, con cifras y acuerdos, quedaba en la nube de otra empresa. Y el resumen se quedaba en la app de Plaud: no llegaba a Mattermost, ni a nuestras notas, ni al asistente con el que trabajamos todos los días.

Qué construimos

Voz es una aplicación web propia. Cada persona entra con su correo (le llega un código, sin contraseñas) y ve solo sus grabaciones.

Se graba con lo que ya tenemos en la mano:

• Celular o computador: la web se instala en la pantalla de inicio y graba con un botón.
• iPhone en el bolsillo: se graba con Notas de Voz y se manda con el Atajo "Enviar a Voz". Lo hicimos así porque iOS corta el micrófono de las apps web cuando se bloquea la pantalla; lo descubrimos en el prototipo.
• Llamadas de Meet, Zoom o Teams: desde el Mac, con Yoom y un atajo de teclado que graba el audio del sistema y el micrófono a la vez.
• Cualquier archivo de audio se sube desde la biblioteca.

Y cada grabación pasa por cuatro pasos solos:

1. Transcripción con Whisper large-v3-turbo en un PC con tarjeta NVIDIA de la empresa. Voz lo despierta por la red cuando hay trabajo y lo vuelve a dormir al terminar. Si no responde en seis minutos, transcribe Groq como respaldo.
2. Quién habló: sherpa-onnx separa las voces y Claude propone los nombres por el contexto. Si dos voces se parecen, basta con decir cuántas personas hablaron. Le cargamos también el vocabulario del equipo: sin eso, Whisper escribía "Giovanni" cada vez que alguien decía "Yoany".
3. Resumen con Claude: título, puntos clave, acuerdos, pendientes con responsable y fecha, y capítulos con el minuto exacto.
4. Entrega: el resumen llega por mensaje directo en Mattermost a quien grabó y, si la persona lo activa, a sus notas de Obsidian y a la memoria del asistente del equipo.

El audio queda comprimido (unos 21 MB por hora) para escucharlo junto a la transcripción y saltar a cualquier frase.

Cómo está montado

Voz corre en un contenedor de Proxmox en nuestro propio servidor, al lado del PC de la GPU, y sale a internet por un túnel de Cloudflare, sin abrir puertos. Por dentro es Node.js sin framework y una base SQLite. Una copia completa va todas las noches al NAS y de ahí a una segunda sede, y Uptime Kuma avisa si se cae.

Lo que cuesta

Con Plaud, cada persona necesitaba su propia grabadora de unos US$ 220 y su plan de $ 999.999 COP al año. Con Voz, la grabadora es el celular que ya tienen, la GPU es la misma que transcribe los videos de Yoom y el costo que queda es el de la API de Claude por cada resumen. Sumar una persona es crearle la cuenta.

Resultados

Voz está en producción desde el 20 de octubre de 2026 para once personas de My Store Digital y MP Flair. En los primeros cuatro días procesó 10 grabaciones y 203 minutos de reuniones. En la prueba con tres voces separó bien a cada una.

Si tu equipo paga una grabadora y un plan por cada persona, este mismo esquema se monta en tu servidor: tus reuniones, tus resúmenes y tu audio quedan contigo.