1.8 KiB
Flujo de Audio desde el Navegador hasta el Modelo de Procesamiento (Fast Whisper - python)
[ Navegador (micrófono) ]
│
▼
[ WebSocket - envío de chunks ]
│
▼
[ Servidor - recibe chunks ]
│
▼
[ Buffer de audio interno ]
│
▼
[ Cola de procesamiento ]
│
▼
[ Worker - procesamiento de voz ]
│
▼
[ Modelo de transcripción / análisis ]
1. Captura del Audio (Web)
El usuario habla, y el navegador graba el audio mediante el micrófono.
El audio se divide en pequeños fragmentos (chunks) en tiempo real.
Estos chunks se envían al servidor mediante una conexión WebSocket.
2. Recepción del Audio (Servidor)
El servidor escucha los mensajes entrantes del WebSocket.
Cada mensaje recibido contiene un chunk de audio.
Si el audio no está en el formato esperado (por ejemplo, no es de 16 kHz), se resamplea a la frecuencia adecuada.
3. Preprocesamiento
Cada chunk de audio es enviado a una función que lo almacena temporalmente en un buffer interno.
Una vez que el buffer acumula suficiente audio (por ejemplo, 1 segundo), se forma un bloque más grande.
Este bloque es enviado a una cola de procesamiento.
4. Cola de Procesamiento
La cola permite que el sistema siga recibiendo audio aunque el procesamiento tarde un poco.
Actúa como un intermediario entre la recepción y el análisis, para evitar pérdidas.
5. Procesamiento de Audio
Un componente de fondo ("worker") toma los bloques de la cola.
Este worker realiza tareas como:
- Detección de voz (saber cuándo alguien empieza a hablar)
- Detección de palabra clave (wake word)
- Preparación para la transcripción