De tus altavoces a tu idioma en unos dos segundos.

Paso 1 — Captura de audio, sin drivers

VoxisLive usa loopback WASAPI, la misma API de sesión de audio de Windows de bajo nivel que usan los grabadores de pantalla para capturar “lo que está sonando”. Es una capacidad nativa de Windows: sin cables de audio virtuales, sin instalación de drivers, sin cambios en el enrutamiento de audio. La captura tiene latencia cero respecto a la reproducción y no añade artefactos audibles.

Las herramientas de la competencia suelen enrutar el audio a través de dispositivos virtuales como VB-CABLE, que exigen instalar drivers (a menudo con permisos de administrador y un reinicio) y pueden entrar en conflicto con el audio en modo exclusivo, los drivers ASIO o los sistemas antitrampas. VoxisLive evita por completo esa clase de problemas.

Paso 2 — Detección de voz en el dispositivo

La app ejecuta detección de actividad de voz (VAD) en el dispositivo para separar la voz del silencio, el ruido de fondo y la música — localmente, en tu CPU, sin viajes de ida y vuelta por la red. Solo los segmentos identificados como voz humana pasan a traducción, lo que reduce la latencia y protege tu saldo de minutos. El VAD también sigue la propia salida hablada de VoxisLive para que nunca vuelva a traducir su propia voz.

Paso 3 — Traducción simultánea en una sola pasada

Los segmentos de voz van a un modelo multimodal en tiempo real que resuelve el reconocimiento, la traducción y la síntesis de voz en una sola pasada de baja latencia, condensando en una las tres llamadas de red secuenciales de un pipeline tradicional (voz a texto → traducción → texto a voz). Como un intérprete humano en cabina, empieza a traducir mientras el orador todavía está hablando.

Paso 4 — Reproducción hablada con atenuación

La voz traducida se reproduce por tu dispositivo de salida mientras ocurren dos cosas en paralelo: la atenuación psicoacústica baja el audio original mientras habla la traducción (igual que en la interpretación simultánea profesional), y la sincronización de latencia mantiene cada traducción alineada con su segmento de voz para que las sesiones largas nunca se desincronicen.

¿Qué tan rápido es, en realidad?

VoxisLive es casi simultáneo, no de retardo cero: normalmente va uno o dos segundos por detrás del habla original, según la longitud de la frase y la latencia de red. Como referencia, los intérpretes simultáneos humanos profesionales trabajan de dos a cuatro segundos por detrás del orador; VoxisLive opera en ese rango o más rápido. Los fragmentos muy cortos se agrupan para evitar malas traducciones de una sola palabra.

Reuniones sin bot

VoxisLive nunca se une a una llamada como participante, nunca solicita permisos de anfitrión y nunca toca la app de reuniones. Lee el audio que ya está sonando por tus altavoces, lo que lo hace invisible para el resto de participantes e idéntico en Zoom, Teams, Google Meet, Webex y Discord. En el modo bidireccional también traduce tu propia voz al idioma de la reunión a través de un micrófono virtual.

Qué sale de tu equipo

Con la versión de código abierto BYOK, el audio va directamente a la API de Google con tu propia clave: los servidores de VoxisLive nunca intervienen. Con la app gestionada de la Store, los segmentos de voz detectados se envían al modelo a través de un proxy y no se conserva ningún audio cuando termina la sesión. El silencio y el audio que no es voz nunca salen de tu equipo, gracias al VAD en el dispositivo.