Comu

Dictado de voz local, open source y orientado a Windows.

Comu permanece en segundo plano y convierte la voz en texto con un atajo global. La transcripcion se ejecuta en el equipo mediante whisper.cpp: no requiere una cuenta, una suscripcion ni una API de pago.

Estado: primera version publica para Windows. El proyecto funciona y puede instalarse, pero sigue en desarrollo. Las compilaciones actuales no estan firmadas digitalmente.

Para quien es

Comu esta pensado para personas que escriben con frecuencia y prefieren dictar sin enviar sus grabaciones a un servicio remoto:

estudiantes, docentes e investigadores;
profesionales que redactan correos, informes o documentacion;
creadores y personas que toman notas extensas;
usuarios que buscan una alternativa local a productos de dictado por suscripcion;
desarrolladores interesados en mejorar una herramienta de voz abierta para Windows.

No pretende sustituir software medico, forense ni de accesibilidad certificado. La precision depende del microfono, el ruido, el acento, el modelo y el vocabulario utilizado.

Como funciona

Comu se inicia con Windows y queda disponible en la bandeja del sistema.
El usuario coloca el cursor en la aplicacion donde quiere escribir.
El atajo global inicia la grabacion; de forma predeterminada es Ctrl + Alt + Espacio.
Una segunda pulsacion detiene la grabacion y comienza la transcripcion local.
Si la ventana original sigue activa, Comu pega el texto automaticamente.
Si el usuario cambio de ventana, el texto queda en el portapapeles y aparece Texto listo · Ctrl+V.

El indicador compacto muestra el nivel del microfono, el tiempo y el estado de procesamiento. Su boton X permite cancelar una grabacion u ocultar el indicador sin cerrar el proceso. Para cerrar Comu completamente se usa Salir desde la bandeja.

Funciones actuales

Transcripcion local con whisper.cpp 1.9.3 y OpenBLAS.
Perfiles Preciso (Whisper small Q5, 190 MB) y Rapido (Whisper base Q5, 60 MB).
Espanol e ingles.
Atajo global configurable.
Modos pulsar para iniciar/detener o mantener presionado.
Seleccion y comprobacion de microfono.
Diccionario personal para corregir terminos frecuentes.
Indicador pequeno, movible y sin ocupar la barra de tareas.
Inicio automatico configurable con Windows.
Proceso residente en la bandeja del sistema.
Descarga reanudable del modelo y verificacion SHA-256.
Portapapeles como respaldo para no perder una transcripcion.
Trabajos locales recuperables cuando el motor devuelve un error.
Instalador y desinstalador NSIS para Windows.

Privacidad

El audio y la inferencia permanecen en el equipo. Comu no incluye cuentas, telemetria ni un servidor de transcripcion.

Se necesita internet para descargar el modelo seleccionado la primera vez, instalar dependencias al compilar desde el codigo y preparar el runtime de whisper.cpp para desarrollo.

Cuando una transcripcion termina correctamente, el WAV temporal se elimina. Si ocurre un error recuperable, el audio y los metadatos del trabajo se conservan en la carpeta de datos de la aplicacion para evitar perder el dictado.

Requisitos de uso

Windows 10 u 11 de 64 bits.
WebView2 Runtime, incluido normalmente en Windows moderno.
Microfono reconocido por Windows.
Aproximadamente 1 GB de RAM disponible para el perfil Preciso.
Conexion a internet durante la primera descarga del modelo.

La implementacion actual usa CPU. No requiere una GPU dedicada.

Instalar

Los instaladores se publicaran en la seccion Releases del repositorio. Descarga Comu_<version>_x64-setup.exe, ejecutalo y deja que Comu prepare el modelo la primera vez.

Para desinstalar, abre Configuracion > Aplicaciones > Aplicaciones instaladas, busca Comu y selecciona Desinstalar.

Configuracion para desarrollo

Requisitos

Node.js 20 o posterior.
Rust estable y Cargo.
Visual Studio Build Tools con Desktop development with C++.
PowerShell 5.1 o posterior.
WebView2 Runtime.

Preparar el proyecto

git clone https://github.com/teodulanto/comu.git
cd comu
npm install
npm run prepare:whisper

prepare:whisper descarga el runtime oficial de whisper.cpp, valida su SHA-256 y lo coloca en apps/desktop/src-tauri/resources/whisper. Los binarios no se guardan en Git.

Ejecutar la aplicacion

npm run tauri:dev

La vista web aislada puede abrirse con npm run dev, pero el atajo global, la bandeja, el autoinicio, whisper.cpp y la insercion de texto requieren Tauri.

Crear el instalador

npm run tauri:build -- --bundles nsis

El instalador queda bajo target/release/bundle/nsis o en el directorio indicado por CARGO_TARGET_DIR.

Arquitectura

Atajo global (Rust)
  -> ventana React oculta inicia MediaRecorder
  -> AudioContext convierte a PCM mono de 16 kHz
  -> Tauri guarda un trabajo WAV local
  -> whisper.cpp procesa con small Q5 o base Q5
  -> limpieza y diccionario personal
  -> portapapeles
  -> pegado en la ventana original o aviso Ctrl+V

Componentes principales

Componente	Tecnologia	Responsabilidad
Interfaz	React 19 + TypeScript + Vite	Configuracion e indicador compacto
Escritorio	Tauri 2	Ventanas, bandeja, instalador y comunicacion nativa
Nucleo	Rust	Atajo, autoinicio, foco, portapapeles y trabajos locales
Audio	MediaRecorder + Web Audio API	Captura, nivel y conversion a 16 kHz mono
Voz a texto	whisper.cpp + OpenBLAS	Inferencia local en CPU
Modelos	GGML Q5	Equilibrio entre precision, velocidad y tamano
VAD	Silero VAD	Segmentacion conservadora en el perfil rapido

Los modelos se descargan bajo demanda. El repositorio contiene codigo, scripts, manifiestos y hashes; no contiene modelos, audios privados, DLL ni resultados de compilacion.

Limitaciones conocidas

Solo Windows esta soportado y probado actualmente.
La transcripcion comienza despues de detener la grabacion; los audios largos pueden tardar varios segundos.
La puntuacion de textos extensos depende de la prosodia y de las capacidades de Whisper.
El pegado automatico no funciona en aplicaciones elevadas si Comu no tiene el mismo nivel de permisos.
Si se cambia de ventana durante el dictado, se prioriza no escribir en el lugar equivocado: el resultado queda en el portapapeles.
Los instaladores comunitarios actuales pueden activar SmartScreen porque no estan firmados.

Mejoras prioritarias

Transcripcion incremental para reducir la espera final en dictados largos.
Mejor reconstruccion de puntuacion y parrafos sin alterar el significado.
Historial visible y recuperacion de trabajos desde la interfaz.
Pruebas automatizadas del flujo nativo de Windows.
Builds reproducibles y releases firmadas.
Accesibilidad y localizacion completa de la interfaz.
Evaluacion de aceleracion opcional por GPU sin convertirla en requisito.

Los benchmarks y decisiones tecnicas estan documentados en docs/. Los audios de evaluacion permanecen fuera del repositorio por privacidad.

Colaborar

Las contribuciones son bienvenidas. Antes de abrir un pull request, revisa CONTRIBUTING.md. Para cambios grandes, abre primero un issue describiendo el problema, la propuesta y como se validara.

Seguridad y licencias

Politica de seguridad: SECURITY.md
Dependencias y licencias de terceros: THIRD_PARTY_NOTICES.md
Licencia del proyecto: MIT

Comu no distribuye los modelos como parte del repositorio. Whisper, whisper.cpp, OpenBLAS y Silero mantienen sus propias licencias y derechos de autor.