Tutorial de configuración de Gratis (en el dispositivo)

1Seleccione "Gratis" como proveedor

Abra Sokuji y navegue al panel de configuración. Seleccione "Gratis" como su proveedor de IA en el menú desplegable de proveedores.

2Descargue un modelo ASR

Elija un modelo ASR para su idioma de origen. Sokuji ofrece 42 modelos sin conexión/streaming impulsados por sherpa-onnx WASM y WebGPU (Cohere Transcribe, Voxtral Mini, Whisper), cubriendo más de 99 idiomas. Los modelos varían desde ligeros (~5MB) hasta alta precisión (~2GB+). Recomendamos Cohere Transcribe o Voxtral Mini 4B Realtime para la mejor precisión y velocidad.

3Descargue un modelo de traducción

Seleccione un par de idiomas de traducción. Elija TranslateGemma para la mejor calidad y velocidad, 74 pares de idiomas Opus-MT para traducción rápida por CPU, o Qwen LLMs vía WebGPU para traducción multilingüe de mayor calidad.

4Descargue un modelo TTS

Descargue un modelo TTS para salida de voz. Hay 136 modelos disponibles en 52 idiomas, impulsados por los motores Piper, Coqui, Mimic3 y Matcha. Si Traducción que yo oigo está activada en el bloque Voz (modo Otro o Ambos), la traducción de la otra parte también se le lee en voz alta: esa dirección tiene su propia ranura TTS, con su propio modelo y su propia voz. Cada dirección conserva su propia voz.

5Comience a traducir

Haga clic en el botón Iniciar sesión. El reconocimiento y la traducción ocurren en su dispositivo en tiempo real; con una voz de Edge TTS seleccionada, hablar la traducción requiere conexión de red.

¿Qué es el proveedor Gratis?

Gratis es un pipeline de traducción IA completamente en el dispositivo que ejecuta ASR, traducción y TTS sin ningún servicio en la nube:

• Privacidad completa — todo el procesamiento de audio y texto permanece en su dispositivo
• Funciona sin conexión después de la descarga inicial del modelo
• No se requieren claves API, cuentas ni suscripciones
• Impulsado por WebAssembly (WASM) y WebGPU para rendimiento similar al nativo
• Uso gratuito sin límites de uso

Modelos disponibles

El proveedor Gratis soporta una amplia gama de modelos para cada etapa del pipeline de traducción:

• ASR: 42 modelos incluyendo Cohere Transcribe, Voxtral Mini 4B Realtime, Whisper, SenseVoice, Moonshine, NeMo y Zipformer — cubriendo más de 99 idiomas
• Traducción: 74 pares de idiomas Opus-MT para traducción rápida por CPU, además de TranslateGemma y Qwen LLMs vía WebGPU para soporte multilingüe
• TTS: 136 modelos en 52 idiomas usando motores Piper, Coqui, Mimic3 y Matcha

Configuración VAD (detección de voz)

Con el Modo de habla en Auto en la configuración, haga clic en Configuración VAD a su lado para ajustar la detección de voz en el dispositivo. En Pulsar para hablar y Pulsar para traducir, usted mismo controla dónde empieza y termina cada frase:

• Duración máx. de habla: cuánto puede durar una intervención antes de dividirse (10–40 s, 30 s por defecto); algunos modelos dividen antes, en el tramo más largo que transcriben correctamente
• Margen previo al habla: conserva un poco de audio de justo antes de detectarse la voz (hasta 2 s, 0,8 s por defecto), para que no se corte el primer sonido de una frase; solo se muestra en los modelos que lo admiten
• Inteligente (Smart Turn): en lugar de esperar siempre un silencio fijo, comprueba si ha terminado de hablar y cierra la frase unos 0,4 s después de que se detenga; una pausa a mitad de frase lo mantiene escuchando. Activarlo descarga una vez un modelo de 31 MB; funciona con los modelos de reconocimiento de voz WebGPU
• Restablecer: devuelve estos ajustes a sus valores por defecto

Requisitos de hardware

• CPU (WASM): Funciona en cualquier navegador moderno — no se necesita hardware especial
• WebGPU: Aceleración GPU opcional para modelos Cohere Transcribe, Voxtral Mini, Whisper ASR, TranslateGemma y traducción Qwen — significativamente más rápido con una GPU dedicada
• Recomendado: 4GB+ de RAM para carga cómoda de modelos
• Almacenamiento: Los modelos varían de 5MB a 200MB+ dependiendo del nivel de precisión
• Se requiere navegador moderno: Chrome 113+, Edge 113+ o Firefox 120+ para soporte WebGPU

Configuración de TTS

• Velocidad de voz — Controla la velocidad de reproducción del habla sintetizada. Ajuste el control deslizante de velocidad para hacer la salida más rápida o más lenta según su preferencia.
• ID de hablante — Controla el timbre de voz del habla sintetizada. Muchos modelos soportan múltiples IDs de hablante, cada uno con una voz diferente. Algunos modelos multi-hablante incluyen voces de diferentes géneros, por lo que puede elegir una voz masculina o femenina seleccionando diferentes IDs de hablante. El ID de hablante, o la voz de Edge TTS, se guarda por dirección: lo que elija en la ranura TTS de una dirección no cambia la otra.

Problemas comunes

La voz se restableció tras actualizar: Desde Sokuji 0.44.0 cada dirección conserva su propia voz. Una voz elegida en una versión anterior la compartían ambas direcciones, así que tras la actualización cada dirección vuelve una vez a su voz predeterminada. Vuelva a elegir la voz en la ranura TTS de cada dirección.

Traducción que yo oigo se muestra solo como texto: Si aparece el aviso "La traducción que yo oigo se muestra solo como texto: no hay memoria suficiente para cargar también el modelo de voz de la otra parte.", los modelos de ambas direcciones no caben juntos en memoria, así que la traducción de la otra parte empieza solo como texto mientras la suya sigue hablándose. Su botón Configuración abre la ranura TTS de esa dirección: elija un modelo más pequeño, o Edge TTS, que no ocupa memoria local.

Edge TTS dejó de hablar en la extensión del navegador: Edge TTS ahora sintetiza la voz en api.msedgeservices.com. Cuando la extensión se actualiza a Sokuji 0.44.0, Chrome o Edge le pide permitir el acceso a ese sitio y mantiene la extensión desactivada hasta que lo acepte: abra la página de extensiones del navegador y acepte el nuevo permiso. La aplicación de escritorio no necesita nada.

La descarga del modelo falla: Verifique su conexión a Internet para la descarga inicial. Los modelos se almacenan localmente en IndexedDB, por lo que los usos posteriores funcionan sin conexión. Intente borrar los datos del navegador si las descargas están corruptas.

ASR no reconoce el habla: Asegúrese de haber seleccionado el modelo ASR correcto para su idioma de origen. Pruebe un modelo más grande para mayor precisión. Verifique que su micrófono funcione y se hayan otorgado los permisos.

La calidad de traducción es baja: Los modelos Opus-MT están optimizados para velocidad sobre calidad. Para mejores resultados, pruebe los modelos TranslateGemma o Qwen LLM si su dispositivo soporta WebGPU. Asegúrese de haber seleccionado el par de idiomas correcto.

WebGPU no está disponible: WebGPU requiere un navegador y GPU compatibles. Recurra a modelos basados en WASM (sherpa-onnx, Opus-MT) que funcionan en cualquier navegador moderno sin requisitos de GPU.

Consejos de rendimiento

1. Use modelos WebGPU cuando estén disponibles para un procesamiento significativamente más rápido
2. Cierre otras pestañas del navegador para liberar memoria para la carga de modelos
3. Elija modelos más pequeños para dispositivos de gama baja o cuando se priorice la velocidad
4. Los modelos WASM (sherpa-onnx, Opus-MT) son más compatibles pero más lentos que las alternativas WebGPU
5. Monitoree el uso de memoria del navegador — los modelos grandes pueden requerir 2GB+ de memoria del navegador