El verdadero push-to-talk
Un botón que se mantiene pulsado debería mantener abierto el turno de palabra mientras se mantiene pulsado. El nuestro no lo hacía realmente: el problema no venía de nuestro código, sino de un límite que no podíamos ver antes de toparnos con él.
Un botón que prometía más de lo que cumplía
El principio del push-to-talk es simple: pulsas, hablas, sueltas, se transmite. Excepto que el reconocimiento de voz integrado en Android tiene su propio cronómetro, invisible desde nuestro código: después de aproximadamente un segundo y medio de silencio, considera que has terminado de hablar y corta la escucha, ya sea que tu dedo siga en el botón o no. Una vacilación, una respiración un poco larga buscando las palabras, y la frase se truncaba sin previo aviso. Peor aún: para seguir escuchando a pesar de este corte, había que reiniciar el motor a escondidas, lo que producía pitidos audibles y huecos en la transcripción. El botón decía «te escucho mientras me mantengas pulsado», pero en la práctica, te cortaba la palabra después de una pausa un poco demasiado natural.
Un muro que no se puede mover
Primero intentamos sortear este cronómetro: desactivarlo, alargarlo, ocultarlo detrás de un reinicio más discreto. Nada funcionó. Es un límite fijado por el sistema, documentado como tal, y reproducido idénticamente en varios teléfonos Android recientes. Un push-to-talk digno de ese nombre debe poder durar tanto como el usuario lo decida, incluyendo las pausas: un recordatorio dictado, una lista de la compra pensada en voz alta, un pensamiento que duda antes de formularse. Ningún ajuste permitía obtener eso con ese motor. Había que salir de ahí.
Capturar, enviar, transcribir en otro lugar
Así que cambiamos de enfoque desde la raíz. En lugar de reconocer la voz directamente en el teléfono, XNeuronal ahora graba el audio en bruto, en un formato compacto, durante todo el tiempo que se mantiene pulsado el botón, sin ningún límite de duración impuesto por el sistema. Al soltarlo, este archivo se envía al servidor, acompañado de tu identificador, para ser transcrito por nuestro reconocimiento de voz en la nube. Durante la grabación, una burbuja «🎙 escuchando…» permanece visible directamente en el hilo de la conversación; al soltarla, se convierte en «transcribiendo…» durante el viaje de ida y vuelta de la red, y luego se transforma en tu mensaje final: una única referencia visual de principio a fin, donde antes la indicación flotaba bajo el orbe, separada del hilo.
Este cambio también fue una oportunidad para hacer el gesto más estricto: mientras el botón está pulsado, ninguna alerta de error perturba la escucha, y al soltarlo se activa el envío sin ambigüedad, incluso si has retirado el dedo un instante demasiado pronto o demasiado tarde. Es este gesto, sostenido y fiable, el que permanece en el corazón de la voz y la conversación con XNeuronal. Enviar un archivo en lugar de escuchar en directo también desplaza el riesgo: el fallo ya no está en el micrófono, puede venir de la red. Sin red, el dictado simplemente no puede ser transcrito. Entre bastidores, el módulo vocal soporta las interrupciones pasajeras de la conexión: si la sesión se rompe en el camino, la reinicia con un tiempo de espera creciente, hasta ocho intentos, para que un micro-corte aislado no se convierta en un dictado perdido.
Lo que ganamos, lo que pagamos
La ganancia es clara: la transcripción ya no depende de un motor limitado por un cronómetro que no controlamos, y su fidelidad es mejor, incluso en frases largas, vacilantes o repletas de nombres propios que un motor genérico integrado reconocía mal. El precio, lo asumimos: dado que el audio va a un servidor, ya no hay una respuesta instantánea mientras hablas, no hay una palabra mostrada en directo, solo la promesa de una transcripción fiel una vez que se suelta el botón, y una dependencia de hecho de la red para que esa transcripción llegue. Preferimos esta honestidad a un botón que parecía reactivo en la superficie pero te cortaba la palabra sin decirlo.