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.
| Nivel | Donde gira | Costo | Sin conexión |
|---|---|---|---|
| Un | Marcos Apple integrados en el dispositivo | 0 € | si |
| B | Modelos integrados en la aplicación, en el dispositivo | 0 € | si |
| C | En el Mac, modelos de tamaño completo | 0 € | sí (red local) |
| D | API clave de nube | a volumen | no |
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
| Motor | Nivel | Tamaño | Calidad | Velocidad | Dispositivos | Licencia |
|---|---|---|---|---|---|---|
Marco Translation de Apple | Un | 0 (sistema) | Correcta oración a oración, plana en prosa | Instantáneo | Todos, iPhone XS incluido (iOS 18+) | — |
| OPUS-MT en→fr | B | ~300MB | Sorprendentemente bueno, pero sin contexto entre oraciones | Un libro en unos minutos | iPad, iPhone, Mac | MIT |
| NLLB-200 destilado 600M | B | ~600 MB – 1,2 GB | Comparable, la mejor cobertura multilingüe | Rápido | iPad, Mac | CC-BY-NC (no comercial) |
| LLM local 8B de 4 bits (Qwen3, Gemma 3) | B | ~5GB | Bueno, se mantiene el contexto y la terminología. | ~2 horas por libro en iPad M4 | iPad solamente | Apache 2.0 / Gemma |
| LLM local 12–30B en Mac | C | 7–18GB | Muy bueno, registro literario. | 40–80 minutos por libro | Mac | Apache 2.0 / Gemma |
| Claude Soneto 5.5 (API Lote) | D | — | Excelente | Unos minutos | Todos | ~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:
- Pase rápido para importar, OPUS-MT, unos minutos: el libro es completamente legible en bilingüe esa misma noche.
- 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
| Motor | Nivel | Tamaño | Calidad | Velocidad | Dispositivos | Licencia |
|---|---|---|---|---|---|---|
AVSpeechSynthesizer, voz premium | Un | 0 (sistema) | Prosodia plana y correcta a lo largo del tiempo | Mucho más rápido que el tiempo real | Todos, iPhone XS incluido | — |
| Kokoro-82M (CoreML o MLX) | B | ~80 MB en INT8 | Claramente por encima de Apple | ~3–5× tiempo real en iPhone reciente, mucho más en Mac | iPad, Mac, iPhone reciente | Apache 2.0 |
| Piper, voz fr_FR | B | ~60 MB por voz | Entre los dos | Muy rápido | iPad, Mac | Voz MIT, motor GPL-3 → para reservar para Mac |
| Chatterbox, XTTS-v2, F5-TTS | C | 2–6 GB | Cuasi-humano | Tiempo real aprox. | Mac solamente | MIT/variable |
| ElevenLabs, OpenAI | D | — | Referencia | Inmediato | Todos | $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
| Motor | Nivel | Calidad del francés | Velocidad (20 capítulos) | Dispositivos |
|---|---|---|---|---|
FoundationModels de Apple | Un | Insuficiente: 4096 tokens de contexto, ~3B de parámetros | — | iPad solo (iOS 26+, Apple Intelligence) |
| 8B LLM local de 4 bits | B | Aceptable para un flash de 3 min, bajo para un script de 20 min | ~1 hora en iPad M4 | iPad |
| LLM local 27–30B en Mac | C | Bien, este es el nivel adecuado para un guión de podcast | 15 a 30 minutos | Mac |
| Claude Opus 5.5 | D | Excelente | Unos minutos | Todo — ~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.
| Conector | Uso |
|---|---|
| Anthropic | Traducción 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, OpenAITTS | Voces 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 Silicio | iPad Pro M4 (12 GB) | iPhone XS (4GB) | |
|---|---|---|---|
| SO | macOS | iPadOS 26+ | iOS 18, término |
| Memoria para una aplicación | sin techo | ~8 GB con autorización (a medir) | ~1,5GB |
| Traducción de Apple | si | si | si |
FoundationModels | si | si | no (se requiere iOS 26 + A13) |
| OPUS-MT | si | si | sí, lentamente |
| LLM local | 30B+ | hasta ~8B, solo 12B | no |
AVSpeechSynthesizer | si | si | si |
| Kokoro | sí, muy rápido | si | no en la práctica (A12) |
| Leer, escuchar, bilingüe pregenerado | si | si | si |
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
- iOS 26 abandona el iPhone XS, XS Max y XR — corte en A13
com.apple.developer.kernel.increased-memory-limit— cifras registradas en iPad Pro M1- MLX Swift en iPhone y iPad: medidas — Gemma con 40 fichas/s en iPhone
- OPUS-MT y NLLB versus LLM locales, evaluación de FLORES — Traducir localmente
- Kokoro-82M convertido a CoreML, mediciones en iPhone — Puerto MLX Swift — comparación de TTS gratuitos
Align, refinando marcas de tiempo en el dispositivo — Kit de susurros- Modelos de cimentación: ventana contextual