jarvis-voice

Jarvis es un asistente de IA autocontenido para voz, chat, automatización, memoria y programación. Funciona como una capa de orquestación que puede manejar consultas simples de Q&A, enrutar herramientas a través de múltiples pasos, ejecutar flujos determinísticos o delegar tareas complejas a agentes autónomos.

El núcleo de Jarvis es un sistema de orquestación: las solicitudes se procesan mediante chat simple, se envían a una herramienta específica, se expanden en planes multi-herramienta, se ejecutan mediante flujos determinísticos con validaciones y tiempos de espera definidos, o se delegan a agentes autónomos. La base de herramientas mantiene el foco en herramientas activas mediante RAG, MCP (Model Context Protocol) permite extensibilidad, y la memoria persistente permite que Jarvis reutilice aprendizajes entre sesiones.

Jarvis puede ejecutarse con modelos LLM en la nube o en modo totalmente local usando modelos locales, síntesis de voz propia, transcripción de audio y perfiles de herramientas que desactivan capacidades dependientes de internet. Los perfiles permiten cambiar entre configuraciones como potencia cloud completa, privacidad local-first, desarrollo, herramientas seguras para Docker o asistentes offline cerrados.

La plataforma incluye múltiples puntos de acceso: interfaz web, CLI, TUI (Terminal User Interface) y chat en la terminal. La interfaz web ofrece comunicación WebSocket en tiempo real con streaming de herramientas, control de audio, modo manos libres, generación de música, logs del servidor y visualización de flujos de trabajo.

La capa de inteligencia permite aprendizaje automático continuo: Jarvis registra interacciones, genera reflexiones sobre ellas, mejora sus respuestas a lo largo del tiempo. Las reflexiones se almacenan con atributos como tiempos aplicados, utilidad, preferencias y herramientas usadas, permitiendo auditorías de proveniencia y generalización controlada.

Jarvis soporta múltiples interfaces de entrada: voz (micrófono), CLI, web UI y TUI. Puede manejar archivos multimodales como PDFs, notas, grabaciones y análisis de imágenes, combinándolos en una sola consulta con referencias a fuentes originales.