Saltar al contenido principal

Catálogo de motores — Podbook

Expediente técnico y diseño. Este documento conserva los estudios y la arquitectura prevista. Es posible que no todas las funciones descritas estén disponibles; el guía del usuario y el código especifican la operación actual.

Cada procesamiento (traducir, narrar, resumir) es una interfaz con varias implementaciones, clasificadas por nivel. La aplicación elige según el dispositivo, las preferencias y la disponibilidad de la red. Ningún nivel es obligatorio: todo funciona solo con niveles A, gratis y sin conexión.

NivelDonde giraCostoSin conexión
UnMarcos Apple integrados en el dispositivo0 €si
BModelos integrados en la aplicación, en el dispositivo0 €si
CEn el Mac, modelos de tamaño completo0 €sí (red local)
DAPI clave de nubea volumenno

El nivel C merece una aclaración: “local” significa en casa, no en el dispositivo. El Mac expone el taller que fabrica todo por adelantado o un punto de acceso compatible OpenAI (LM Studio, Ollama) que el iPad interroga en la red local o a través de Tailscale. Luego tenemos los modelos 30B sin límite de memoria, sin factura y sin ningún dato para salir de casa. Este es el nivel preferido para cualquier cosa que requiera calidad.


1. Traducción inglés → francés​

MotorNivelTamañoCalidadVelocidadDispositivosLicencia
Marco Translation de AppleUn0 (sistema)Correcta oración a oración, plana en prosaInstantáneoTodos, iPhone XS incluido (iOS 18+)—
OPUS-MT en→frB~300MBSorprendentemente bueno, pero sin contexto entre oracionesUn libro en unos minutosiPad, iPhone, MacMIT
NLLB-200 destilado 600MB~600 MB – 1,2 GBComparable, la mejor cobertura multilingüeRápidoiPad, MacCC-BY-NC (no comercial)
LLM local 8B de 4 bits (Qwen3, Gemma 3)B~5GBBueno, se mantiene el contexto y la terminología.~2 horas por libro en iPad M4iPad solamenteApache 2.0 / Gemma
LLM local 12–30B en MacC7–18GBMuy bueno, registro literario.40–80 minutos por libroMacApache 2.0 / Gemma
Claude Soneto 5.5 (API Lote)D—ExcelenteUnos minutosTodos~0,90€ / libro

Qué recordar. Un modelo de traducción dedicado de 300 MB a menudo supera a un LLM general de 14B en inglés→francés: una evaluación académica en FLORES coloca a OPUS-MT con la mejor puntuación chrF++ en francés. La diferencia no es la precisión frase por frase sino la coherencia en la escala del libro - un personaje que mantiene su pronombre, un término técnico traducido de la misma manera en el capítulo 12 y el capítulo 3, un modismo que no se toma literalmente. Esto es lo que sólo proporciona un LLM con contexto.

De ahí la estrategia de dos pasos, que es el verdadero aporte de este catálogo:

  1. Pase rápido para importar, OPUS-MT, unos minutos: el libro es completamente legible en bilingüe esa misma noche.
  2. Pase limpio por la noche, LLM en el Mac con glosario acumulativo: los bloques se reemplazan uno por uno, la calidad aumenta sin esperas.

La aplicación muestra el origen de cada bloque (pequeño y discreto indicador), puedes solicitar la reanudación de un pasaje y nunca se pierde nada.

Para la palabra aislada, la traducción de una oración es la herramienta incorrecta: iOS diccionarios del sistema (UIReferenceLibraryViewController), o un volcado del Wikcionario francés en SQLite (~200 MB) para definiciones, fonética y ejemplos fuera de línea.


2. Voz​

MotorNivelTamañoCalidadVelocidadDispositivosLicencia
AVSpeechSynthesizer, voz premiumUn0 (sistema)Prosodia plana y correcta a lo largo del tiempoMucho más rápido que el tiempo realTodos, iPhone XS incluido—
Kokoro-82M (CoreML o MLX)B~80 MB en INT8Claramente por encima de Apple~3–5× tiempo real en iPhone reciente, mucho más en MaciPad, Mac, iPhone recienteApache 2.0
Piper, voz fr_FRB~60 MB por vozEntre los dosMuy rápidoiPad, MacVoz MIT, motor GPL-3 → para reservar para Mac
Chatterbox, XTTS-v2, F5-TTSC2–6 GBCuasi-humanoTiempo real aprox.Mac solamenteMIT/variable
ElevenLabs, OpenAID—ReferenciaInmediatoTodos$15–100/M caracteres

Dos puntos decisivos para este proyecto.

AVSpeechSynthesizer proporciona willSpeakRangeOfSpeechString : conocemos en tiempo real el rango de caracteres hablados. Es el ladrillo que permite el resaltado sincronizado y el puente entre la posición de escucha y la posición de lectura. y write(_:toBufferCallback:) genera un archivo en lugar de hablar, por lo que lo creamos previamente.

Kokoro se basa en una arquitectura StyleTTS2, con un predictor de duración: las duraciones por fonema están disponibles, por lo que texto ↔ la alineación de audio sale de la plantilla de forma gratuita. De lo contrario, es posible la alineación forzada local a través de WhisperKit o el paquete Align respaldado por SpeechAnalyzer de Apple.

Se levantará la reserva. La cobertura francesa de Kokoro es más limitada que la inglesa (pocas voces en francés). Antes de comprometerse, se debe realizar una escucha comparativa con la voz Premium de Apple: es media hora de trabajo que puede eliminar un módulo completo.

Distribución recomendada, que es lo opuesto a la intuición: voz del sistema para una narración completa (alto volumen, bajo valor añadido por minuto de escucha), Kokoro o mejor para podcasts (volumen bajo, escucha activa, aquí es donde la voz cuenta).


3. Resúmenes y guiones de podcasts​

MotorNivelCalidad del francésVelocidad (20 capítulos)Dispositivos
FoundationModels de AppleUnInsuficiente: 4096 tokens de contexto, ~3B de parámetros—iPad solo (iOS 26+, Apple Intelligence)
8B LLM local de 4 bitsBAceptable para un flash de 3 min, bajo para un script de 20 min~1 hora en iPad M4iPad
LLM local 27–30B en MacCBien, este es el nivel adecuado para un guión de podcast15 a 30 minutosMac
Claude Opus 5.5DExcelenteUnos minutosTodo — ~1,50€ / libro

Aquí es donde más cuesta el local en cuanto a calidad. Un resumen no es una traducción: requiere que prioricemos, elijamos lo que conservamos, escribamos para el oído. Un modelo 8B produce un francés correcto pero genérico; la brecha con un 30B se siente y la brecha con un modelo de nube líder todavía se siente. Esta es la única posición donde una clave API realmente tiene sentido y cuesta alrededor de 1,50 € por libro.

El modelo de contexto ya no es un obstáculo. Un libro de 100.000 palabras genera alrededor de 130.000 fichas. Los modelos de nube actuales tienen una ventana de un millón de tokens: entregamos el libro completo de una sola vez. Un modelo de contexto local de 32k a 128k funciona capítulo por capítulo, lo cual es suficiente para un resumen de capítulo y requiere un pase de resumen para el resumen de libro. FoundationModels El de Apple, con sus 4.096 tokens compartidos entre entrada y salida, está fuera de juego para este uso: debe ser tratado como un bono por explicar una palabra, nunca como una adicción.

Punto de método, que cuenta más que la elección del modelo. No debes generar un resumen escrito y luego hacer que lo lean. Debes preguntar explícitamente un guión oral : oraciones cortas, sin listas con viñetas, transiciones habladas, indicaciones. Un resumen escrito leído por una máquina no se puede escuchar; un guión diseñado para el oído funciona bien incluso con la voz del sistema. Es un trabajo rápido y gratuito, y eso es lo que marca la diferencia entre “funciona” y “lo escucho todas las mañanas”.


4. Conectores de nube​

Opcional, deshabilitado por defecto, claves almacenadas en el Keychain, nunca en binario.

ConectorUso
AnthropicTraducción literaria, guiones de podcast
Compatible OpenAI (genéricos)Un único conector configurable cubre Mammouth.ai, OpenRouter, OpenAI — y LM Studio o Ollama en el Mac
ElevenLabs, OpenAITTSVoces de podcasts premium

El conector compatible OpenAI es el más importante de los tres, y no para la nube: apuntando a http://mon-mac.local:1234/v1, el iPad interroga a un modelo de 30B que se ejecuta en el Mac. Calidad total, cero euros, sin datos para salir de casa. Con Tailscale, también funciona desde el exterior.

Salvaguardias: contador de gastos, límite máximo mensual de bloqueo y todo lo generado se almacena en caché y se indexa mediante huellas dactilares a partir del texto fuente : nunca se paga nada dos veces.


5. Capacidades por dispositivo​

Mac Apple SilicioiPad Pro M4 (12 GB)iPhone XS (4GB)
SOmacOSiPadOS 26+iOS 18, término
Memoria para una aplicaciónsin techo~8 GB con autorización (a medir)~1,5GB
Traducción de Applesisisi
FoundationModelssisino (se requiere iOS 26 + A13)
OPUS-MTsisisí, lentamente
LLM local30B+hasta ~8B, solo 12Bno
AVSpeechSynthesizersisisi
Kokorosí, muy rápidosino en la práctica (A12)
Leer, escuchar, bilingüe pregeneradosisisi

Conclusión para el iPhone XS: cliente ligero. Lee, escucha, traduce una frase a pedido, sincroniza. Él no hace nada. Esto es suficiente, porque todo está construido de antemano y, de todos modos, es la única opción, ya que el dispositivo está al final del soporte de software.


Fuentes​