• 

  Home

Nativox: subtítulos y traducción en vivo para conferencias, en tu propia cuenta de Cloudflare

Qué me inspiró

En las conferencias con varias salas e idiomas, los subtítulos y la traducción son caros o directamente no existen. Los intérpretes cuestan, los servicios de IA piden API keys y cobran por hora, y casi todo depende de que alguien esté al lado de cada computadora. Quise algo que un organizador pueda desplegar con un clic, sin claves y sin pagar por sala.

Qué hace

• Transcribe y traduce en vivo entre español, inglés y portugués.
• Muestra los subtítulos en la pantalla del escenario, en vMix/OBS (fondo transparente) y en el celular de la audiencia.
• Corre en el navegador, gratis y sin internet. Usa Whisper large-v3 turbo y Bergamot (o TranslateGemma) sobre la placa de video, con WebGPU. Como opción, hay un modo en la nube con Workers AI.
• "Evaluar esta computadora" mide el equipo y recomienda versión de Whisper, nivel de velocidad y si conviene la nube.
• Glosario técnico en tres capas: guía a Whisper, corrige lo transcripto y protege los términos al traducir.
• Calendario por sala: cada charla guarda su transcripción, que se exporta a .txt, .srt o .vtt.
• Corrección a mano en vivo: se puede corregir una frase mientras se transcribe, y las correcciones se recuerdan en el glosario.
• Avisos a Discord con un botón para reiniciar la sala desde el celular.
• Cada organizador despliega su propia instancia, y nada de sus eventos pasa por mí.

Cómo lo construí

• Interfaz y servidor: React 19, Vite y TypeScript estricto. El servidor es un solo Worker de Cloudflare con D1, Durable Objects (WebSocket Hibernation) y Workers AI.
• Transcripción y traducción: el audio se corta en pausas, se transcribe con contexto y se traduce con el glosario protegido. Los subtítulos se generan una vez por sala y el Durable Object los reparte, así que cada espectador extra no suma costo de IA.
• Arquitectura: módulos reutilizables con reglas de importación que hace cumplir el lint, cero código duplicado y más de 290 pruebas automáticas.
• Dos repositorios: el producto open source (MIT) y una landing aparte.

Lo que aprendí

• Cuántas salas aguanta una computadora se estima así:

$$ N_{\text{salas}} \approx \left\lfloor \frac{T_{\text{frase}}}{T_{\text{pasada}}} \right\rfloor $$

Con frases de unos 6 s y una pasada de ~1 s, entran varias salas. Con ~3 s, entran una o dos.

• El costo en la nube es lineal:

$$ \text{costo} \approx h_{\text{sala}} \times \$0{,}037 $$

con una cuota gratis diaria.

• Lo medido en una placa AMD sin f16, con un guion sintético: WER de 1,4 %, 56 de 56 términos técnicos bien traducidos con el glosario protegido, y unos 5,4 s hasta ver el subtítulo traducido.

Desafíos

• Whisper inventa texto en los silencios. Lo resolví con un filtro de alucinaciones y un corte de audio en pausas.
• Una placa modesta no llega con texto provisorio. Armé la barra de velocidad y la evaluación del equipo para elegir el nivel según la máquina.
• Cortes de frase en medio de un término ("Workers Day" / "de AI"). Los corrige una unión con la línea anterior.
• Cloudflare no enciende la dirección pública al desplegar. Lo dejé documentado como un paso a mano en el README.
• El límite de pedidos de Workers AI. En la nube se trabaja por frases de 4 a 8 s para cuidarlo.
• Seguridad: separé el link de la audiencia del acceso de administración, protegí las ramas del repo y no dejé secretos en ningún archivo.

Built With

• cloudflare
• ia
• javascript
• node.js
• react