Saltar a contenido

⚙️ Guía de Configuración

Gestión de Configuración

La configuración se gestiona principalmente a través de la interfaz gráfica del Frontend (Icono de engranaje ⚙️). Sin embargo, los usuarios avanzados pueden editar directamente el archivo config.toml.

Ubicación del archivo: $XDG_CONFIG_HOME/v2m/config.toml (usualmente ~/.config/v2m/config.toml).

1. Transcripción Local ([transcription])

El corazón del sistema. Estos parámetros controlan el motor Faster-Whisper.

Parámetro Tipo Default Descripción y "Best Practice" 2026
model str distil-large-v3 Modelo a cargar. distil-large-v3 ofrece velocidad extrema con precisión SOTA. Opciones: large-v3-turbo, medium.
device str cuda cuda (GPU NVIDIA) es mandatorio para experiencia en tiempo real. cpu es funcional pero no recomendado.
compute_type str float16 Precisión de tensores. float16 o int8_float16 optimizan VRAM y throughput en GPUs modernas.
use_faster_whisper bool true Habilita el backend optimizado CTranslate2.

Detección de Voz (VAD)

El sistema utiliza Silero VAD (versión Rust en v2m_engine) para filtrar silencio antes de invocar a Whisper, ahorrando GPU.

  • vad_filter (true): Activa el pre-filtrado.
  • vad_parameters: Ajuste fino de sensibilidad.
  • threshold (0.4): Umbral de probabilidad. Valores más altos reducen falsos positivos por ruido o respiración.
  • min_speech_duration_ms (150): Duración mínima para considerar un segmento como voz.
  • min_silence_duration_ms (1000): Tiempo de silencio para cortar un segmento (ajustado para español).

Parámetros de Calidad y Anti-Alucinación (SOTA 2026)

Para evitar que Whisper genere texto repetitivo o "alucine" en entornos ruidosos, se incluyen parámetros de control de calidad:

Parámetro Default Descripción
no_speech_threshold 0.6 Filtra segmentos con alta probabilidad de no contener habla.
compression_ratio_threshold 2.4 Detecta y descarta transcripciones altamente repetitivas (alucinaciones).
log_prob_threshold -1.0 Umbral de confianza del modelo. Filtra transcripciones de baja probabilidad.

2. Servicios LLM ([llm])

Voice2Machine implementa un patrón de Proveedor para soportar múltiples backends de IA para el refinado de texto.

Configuración Global

Parámetro Descripción
provider Proveedor activo: gemini (Nube) u ollama (Local).
model Nombre del modelo específico (ej. gemini-1.5-flash o llama3:8b).

Proveedores Específicos

Google Gemini (provider = "gemini")

Requiere API Key. Ideal para usuarios sin GPU potente (VRAM < 8GB).

  • Modelo recomendado: gemini-1.5-flash-latest (latencia mínima).
  • Temperatura: 0.3 (conservador) para corrección gramatical.

Ollama (provider = "ollama")

Privacidad total. Requiere correr el servidor de Ollama (ollama serve).

  • Endpoint: http://localhost:11434
  • Modelo recomendado: qwen2.5:7b o llama3.1:8b.

3. Grabación ([recording])

Controla la captura de audio mediante SoundDevice y v2m_engine.

  • sample_rate: 16000 (Fijo, requerido por Whisper).
  • channels: 1 (Mono).
  • device_index: ID del micrófono. Si es null, usa el default del sistema (PulseAudio/PipeWire).

4. Sistema ([system])

Configuración de bajo nivel para el Daemon y comunicación.

  • host: Host del servidor (127.0.0.1 para acceso solo local).
  • port: Puerto HTTP (8765 por defecto).
  • log_level: INFO por defecto. Cambiar a DEBUG para diagnósticos profundos.

Secretos y Seguridad

Las claves de API se gestionan mediante variables de entorno o almacenamiento seguro, nunca en texto plano dentro de config.toml si es posible.

# Definir en .env o entorno del sistema
export GEMINI_API_KEY="AIzaSy_TU_CLAVE_AQUI"

Importante

Reinicia el demonio (usando scripts/operations/daemon/restart_daemon.sh) después de editar manualmente el archivo de configuración para aplicar los cambios.