vxbeamer
vxbeamer es un transcriptor de voz autocontenido con interfaz web en tiempo real, diseñado para uso personal.
Ficha actualizada 22 sept 2026, 18:53 · upstream 22 sept 2026, 18:37 · release vxasr@0.2.0
Qué es vxbeamer
Descripción editorial construida a partir del repositorio, su documentación y sus señales de mantenimiento.
vxbeamer es una herramienta de transcripción de voz que funciona de forma local y sin necesidad de conexión a internet. Utiliza la API de Qwen3.5 Omni (Alibaba Cloud) para realizar la transcripción en tiempo real, ofreciendo un feedback inmediato sin los tiempos de latencia típicos de servicios como Google Gemini. La interfaz se basa en una aplicación PWA que puede instalarse directamente en el navegador del dispositivo móvil o desktop, permitiendo grabar, reproducir y compartir transcripciones con gestos intuitivos.
El proyecto ofrece dos modos de autenticación: mediante OAuth 2.0 (OIDC) para uso interactivo desde la interfaz web, y mediante claves API personalizadas para integración con scripts externos. El backend se despliega como un contenedor Docker que ejecuta el servidor Node.js/Hono, mientras que el frontend se aloja estáticamente en Vercel.
La arquitectura del proyecto incluye tres componentes principales: una capa de autenticación (OIDC), un servidor backend distribuido vía Docker y la aplicación frontend PWA. Además, vxbeamer soporta post-procesamiento opcional mediante modelos como gpt-oss-120b o meta/muse-voice-transcribe-1.0, que limpian el texto de salida antes de presentarlo al usuario.
En términos de costos y rendimiento, la herramienta es económica: se estima un costo por hora de audio inferior a $0.15, con una tasa de palabras por dólar superior a 47.000. La arquitectura permite escalar fácilmente añadiendo más servicios ASR o modelos de post-procesamiento según las necesidades del proyecto.
Finalmente, vxbeamer se especializa en uso personal y no está diseñado para ser altamente flexible ni adaptable a múltiples escenarios de negocio.
- Transcripción de voz para reuniones o entrevistas personales
- Creación de transcripciones automáticas para correos electrónicos o chats
- Generación de transcripciones de audio para podcasts o videos
- Automatización de tareas administrativas mediante grabaciones de voz
- Conversión de notas vocales a texto en tiempo real durante llamadas
- Creación de transcripciones para audiodesigns o contenido educativo
- Transcripción en tiempo real con latencia mínima gracias al uso de Qwen3.5 Omni
- Interfaz PWA que permite instalar la aplicación directamente en el navegador
- Soporte para múltiples proveedores de ASR (DashScope, Groq, Meta, Paxa)
- Autenticación mediante OIDC o claves API personalizadas
- Post-procesamiento opcional con modelos como gpt-oss-120b
- Diseño económico: costo por hora inferior a $0.15
- No es una herramienta de producción empresarial, solo para uso personal
- La interfaz PWA no soporta la instalación en escritorio (solo móvil)
- El modelo Qwen3.5 Omni tiene un rendimiento ligeramente inferior a Google Gemini en precisión
- No incluye autenticación de dos factores ni gestión de permisos granular
- Depende de servicios externos para el procesamiento ASR y post-procesamiento
- La interfaz es estática y no permite personalización profunda del diseño
Perfil de infraestructura
Estimación inicial derivada del repositorio y de los servicios detectados.
Despliegue detectado
Qué señales reales de instalación hemos encontrado.
El backend se despliega como un contenedor Docker con imagen oficial ghcr.io/dtinth/vxbeamer:latest, que se ejecuta en modo auto-restart.,Se recomienda configurar el servicio de autenticación (OIDC) antes del backend para evitar errores de conexión.,Para producción, se debe implementar la gestión de claves API mediante un sistema de secretos (Kubernetes Secrets, Vault, etc.) y no usar variables de entorno en producción.,El frontend se despliega como una aplicación estática en Vercel, con el backend configurado en su URL de configuración.,Se recomienda configurar el bucket S3 para almacenamiento de evaluaciones mediante la variable EVAL_STORAGE_BUCKET, ya que sin ella las transcripciones no se guardan permanentemente.,Para optimizar costos, se debe seleccionar modelos ASR y post-procesamiento con precios bajos según el volumen de uso.,En entornos multi-tenant o escalables, se recomienda m
Stack y dependencias
Componentes inferidos a partir de manifests, configuración y documentación.
Puede sustituir a
Relaciones detectadas por el análisis del repositorio y su categoría.
Experiencia real de la comunidad
Ayuda a contrastar la estimación automática con instalaciones reales.
Todavía no hay datos comunitarios para este proyecto.