Cómo empezó
Una semana de llamadas, y las notas no daban abasto.
Patum empezó como algo que hice para mí, en un trabajo nuevo. Esta es la historia de cómo pasó de ahí a ser una app, y de por qué funciona como funciona.
Un trabajo nuevo
Había entrado en una empresa consolidada, y las llamadas empezaron el primer día, en Google Meet y en huddles de Slack. Detrás de cada una había años de decisiones, y la mayoría estaban escritas en algún lugar de Confluence. Las páginas estaban ahí; el tiempo para leerlas, no. Quería hacer bien mi trabajo, así que leía por las noches, y aun así llegaba a las llamadas un paso por detrás.
Estantes
Lo primero que me ayudó fue Obsidian. Reuní en una bóveda todo lo que ya estaba escrito e hice que unos modelos locales lo ordenaran en estantes: una carpeta para cada proyecto, cada cliente y cada persona. Tener un único sitio donde mirar me cambió las mañanas. Una pregunta de una llamada se podía responder esa misma noche, desde el estante.
Luego llegaron las llamadas: dos o tres al día, entre el trabajo de ingeniería. En ellas se decidían cosas que no estaban en ningún documento. Mi intención era poner cada una por escrito después, y después había código que escribir. Para el jueves, lo que habíamos acordado el lunes era una frase que recordaba a medias, y las llamadas de la semana se habían mezclado unas con otras. Nadie puede sostener eso a mano y además hacer su trabajo.
Así que la idea era pequeña: grabar la llamada y ordenarla en los mismos estantes que todo lo demás.
La idea en una imagen: la nota de la llamada va al mismo estante que las páginas sobre el mismo proyecto, el mismo cliente o la misma persona.
Al principio, algo mío
Lo hice para mí. Conocía los asistentes de notas en la nube y los bots que entran en una reunión en tu lugar, y también las apps de dictado que convierten la voz en texto. Ni lo uno ni lo otro era lo que buscaba: quería la grabación en mi propio Mac, sin nadie más en la llamada, y notas lo bastante bien organizadas como para trabajar con ellas. A partir de ahí fue creciendo, y en algún momento decidí escribirlo bien, para una sola plataforma.
El Mac le da mucho a una app, si la app está hecha para él. Puede tomar el sonido de una app de llamadas en una pista y el micrófono en otra, sin ningún bot en la llamada. Conoce el calendario, así que las personas de la llamada tienen nombre. Tiene Recordatorios, así que una tarea llega adonde la vas a ver. Tiene un Neural Engine para la transcripción y una GPU para los modelos de lenguaje. Patum usa lo que ofrece macOS, y no funciona en ningún otro sitio.
Modelos locales
El trabajo más largo fue el de los modelos. En un portátil no se puede ejecutar nada enorme, y un modelo que cabe en unos pocos gigabytes no escribe como los grandes de la nube. Aun así puede hacer mucho más de lo que parece, si dejas de pedirle que acierte a la primera.
Por eso Patum no se fía de la palabra del modelo para una nota. Primero lee la transcripción y saca de ella una lista de hechos, cada uno con el segundo y el participante de los que salió. Escribe la nota con esa lista al lado. Después, el código comprueba el resultado: un número que no está en la transcripción se quita, una fecha que el modelo adivinó se deja en blanco, una decisión de la lista que la nota pasó por alto se vuelve a proponer, y cada línea se coteja con las líneas de la transcripción de las que salió, para que se nombre a la persona correcta. Los hechos que superan todo esto quedan subrayados en la nota, y cada uno abre el momento en que se dijo. Llegar ahí costó muchos intentos y varios enfoques, y cada cambio de modelo vuelve a exigirlos.
El equipo acordó lanzar la migración de la cola tras un flag el 3 nov y mantener la API v1 hasta enero. Quién hace la prueba de carga del primer trimestre sigue sin decidirse.
Haz clic en un hecho subrayado para ver quién lo dijo y cuándo. Las comprobaciones son código, no la palabra del modelo.
Quién dijo qué
La otra parte larga fue distinguir a las personas de una llamada. Los modelos para esto van bien con pocas voces y se detienen en un número fijo: cuatro en uno que probé, ocho en el que usa Patum. En una reunión de toda la empresa, la novena persona no tiene adónde ir.
En su lugar, Patum ejecuta el modelo sobre ventanas de sesenta segundos de la llamada, y un segundo modelo enlaza las voces entre ventanas por cómo suenan. Dentro de una ventana hay como mucho ocho voces. En toda la llamada no hay límite. En mis propias reuniones, y en reuniones de toda la empresa con quince personas hablando, eso es lo que aguantó. En una llamada, tu micrófono es una pista propia, así que tus palabras nunca se atribuyen a otra persona.
En una ventana caben como mucho ocho voces. En la llamada caben todas las personas que haya.
Lo que es hoy
Patum sigue siendo la herramienta de aquel trabajo nuevo: grabar la llamada, escribir una nota que pueda comprobar, ponerla en su estante. Funciona en tu Mac, y tus grabaciones y notas se quedan ahí salvo que decidas otra cosa.
Nikita Orobenko
En «Cómo funciona Patum» se ve cada uno de estos pasos tal como es hoy, y qué sale de tu Mac.