Lo que vamos aprendiendo montando esto. Sin notas de prensa: fallos que nos costaron un día, medidas que salieron al revés de lo esperado y decisiones que hay que explicar.
Si le das audio vacío, no devuelve cadena vacía: se inventa una frase. Y lo peor no es pagarla, es que tu automatización actúe sobre ella.
Son estimaciones acústicas. Se equivocan. Y hay un uso que no vamos a apoyar aunque nos lo pidan pagando.
No es una etiqueta de marketing. Es la diferencia entre un expediente que pasa y uno que se queda esperando un informe jurídico.
Una grabación de 70 minutos son 15.410 tokens de transcripción y menos de 700 de resumen. Entre veinte y treinta veces menos, y la grabación no sale de aquí.
La frase corta decía más de lo que queríamos decir, y nos cerraba una puerta legítima. Repasamos las cinco veces que aparecía en la web.
Los motores que mueven Uttera son código abierto. Esto es lo que hace falta para levantarlos en tu máquina, sin pasar por nosotros.
No es una decisión de calidad. Es de cómo cada uno usa la memoria de la GPU, y elegir mal es la forma más rápida de perder una tarde.
La diferencia entre «separar interlocutores» e «identificar personas» se explica en dos párrafos y ahorra una decepción cara.
Mismas rutas, mismos parámetros, mismos nombres de voz. Lo que hay que cambiar es la URL base, la clave… y una cosa más que no es obvia.
Empezó como una herramienta para uso propio en un grupo empresarial familiar español. No se diseñó para vender. Por eso está hecha como está.
Cuatro guiones y un fichero de instrucciones. Lo difícil no es la API: es decirle al agente cuándo usar cada cosa y qué no creerse.
Se cobra por segundo de audio, no por petición. Eso cambia cómo conviene trocear el trabajo, y hay un truco que te ahorra dinero antes de enviar nada.
La parte técnica se resuelve con diez segundos de audio limpio. La parte que casi nadie escribe es la otra: que una voz es un atributo de una persona.
Guardamos una hora el audio que generamos, y cuesta el 10 %. Una hora de caché no es una hora de acceso a tus datos, y puedes apagarla en cada petición.
Tu centralita ya está escribiendo ficheros .wav en algún sitio. Apuntar un guion a esa carpeta es media hora. Meter la voz dentro de la llamada es un día, y aquí están las cinco trampas.
Uttera