Cómo la construimos

Llevamos años trabajando en la traducción de voz a voz en tiempo real.

Desde los inicios de JotMe, estábamos convencidos de que hablar con naturalidad entre idiomas se convertiría en una de las interfaces más importantes de los negocios globales. Pero la tecnología aún no estaba lista.

• La generación de audio era lenta.
• La traducción no lograba conservar el contexto.
• Las voces sonaban robóticas y poco naturales.
• La latencia rompía el ritmo de la conversación.
• Y, sobre todo, los números no cerraban.

Por esas limitaciones, nunca la lanzamos de forma amplia. Un puñado de clientes empresariales con visión de futuro quiso experimentar con nosotros, y tuvimos el privilegio de construirla a su lado.

Entonces todo cambió el 8 de mayo de 2026, cuando OpenAI anunció GPT-Realtime-2.

Por primera vez, la IA podía escuchar, pensar y responder hablando mientras usted seguía hablando. La interacción por voz dejó de sentirse como una demo y empezó a sentirse como infraestructura.

Aun así, quedaban dos grandes problemas por resolver para que la traducción de voz se convirtiera en parte del sistema operativo de las empresas globales.

1. Contexto operativo en tiempo real

La traducción no es un problema de idiomas. Es un problema de contexto.

Un traductor necesita saber quién habla, en qué proyecto trabaja, la terminología interna, los nombres de clientes, los nombres de productos, las decisiones tomadas en el pasado, la estructura del equipo y mucho más.

Sin contexto, hasta el mejor modelo comete errores. Para comunicarse bien en el trabajo, la IA necesita acceder al mismo conocimiento operativo que los empleados usan todos los días.

2. Distribución del audio

El segundo desafío era sorprendentemente práctico: ¿cómo se entrega el audio traducido dentro de reuniones, eventos, webinars, llamadas de ventas y conversaciones con clientes?

Dedicamos el último mes a resolver estos problemas. Hoy ponemos el resultado a disposición de todos.

‍

¿Qué significa esta tecnología para las empresas globales?

Una tecnología que antes exigía implementaciones a medida y contratos anuales mínimos de 50,000 dólares o más ahora puede usarla cualquiera.

Pero lo que más nos entusiasma no es solo la democratización de una tecnología avanzada.

Durante décadas, la comunicación entre idiomas ha dependido de traductores, intérpretes y varias capas de intermediación. Cada traspaso introduce demoras, malentendidos y pérdida de contexto.

Creemos que la traducción de voz a voz cambia eso. Cada persona puede comunicarse con naturalidad en su propio idioma mientras la IA se encarga de la traducción de voz en tiempo real, conservando mucho más de la intención y el significado original de la conversación.

Quizá haya visto el reto de dibujar en la espalda: una persona dibuja algo en la espalda de otra, que intenta reproducirlo en papel. Es la versión en dibujo del teléfono descompuesto, y al final el resultado no suele parecerse en nada al original.

La comunicación entre idiomas ha funcionado durante mucho tiempo de esa misma manera. Ahora, por primera vez, estamos empezando a eliminar esas capas.

‍

¿Por qué elegir la traducción de voz a voz en tiempo real de JotMe?

JotMe está pensado para conversaciones de trabajo, donde la IA necesita más que palabras. Necesita contexto operativo: nombres de productos, nombres de clientes, historial de proyectos, terminología del equipo y notas de reuniones anteriores. Ese contexto ayuda a preservar el significado de negocio mientras la conversación sigue en marcha, y hace que la traducción se sienta más natural y útil para el trabajo real.

JotMe también es agnóstico a la plataforma. Ya sea que la conversación ocurra en Zoom, Google Meet, Microsoft Teams, en un evento, en un aula o en persona, la aplicación de escritorio de JotMe se adapta al flujo de trabajo. Admite más de 100 idiomas hablados de entrada y 13 idiomas de salida de voz: chino, inglés, francés, alemán, hindi, indonesio, italiano, japonés, coreano, portugués, ruso, español y vietnamita.

Incluso durante la traducción de voz a voz, JotMe sigue mostrando la transcripción en tiempo real y la traducción de texto. Al terminar la reunión, la transcripción se guarda junto con las notas de reunión generadas por IA, convirtiendo cada conversación en parte de una base de conocimiento multilingüe que su equipo puede buscar, revisar y aprovechar.

‍

‍

Cómo usar la traducción de voz a voz

La traducción de voz a voz de JotMe es un flujo de trabajo de escritorio, porque necesita capturar el audio, enrutar la voz traducida y reproducirla en tiempo real. Dentro del producto, todo vive en el menú de traducción de voz a voz con IA (Speech-to-Speech AI Translation).

Antes de usarla, seleccione Fast (Audio) como idioma hablado (Spoken Language), elija un idioma de traducción rápida (Fast Translation Language) y vuelva al menú Speech-to-Speech.

La traducción de voz puede detectar muchos idiomas hablados, pero la salida de voz traducida admite por ahora:

chino (simplificado), inglés, francés, alemán, hindi, indonesio, italiano, japonés, coreano, portugués, ruso, español y vietnamita.

Modo 1: Reunión online (Online Meeting)

Use Online Meeting cuando la voz traducida deba funcionar dentro de Zoom, Google Meet, Microsoft Teams, WhatsApp, webinars, llamadas de ventas, llamadas con clientes, entrevistas o reuniones internas.

Online Meeting admite tres direcciones de traducción.

Bidireccional (Two-Way)

Úselo cuando ambas partes necesitan traducción de voz.

• Usted escucha al otro participante en el idioma que seleccionó.
• El otro participante lo escucha a usted en el idioma que él seleccionó.
• JotMe enruta por separado el audio entrante de la reunión y la voz traducida saliente.
• Ideal para reuniones bilingües, llamadas con clientes, negociaciones, sesiones de capacitación, entrevistas y llamadas de soporte.

En Mac, el modo bidireccional requiere BlackHole 2ch y BlackHole 16ch. El altavoz de la reunión se enruta a través de BlackHole 2ch y el micrófono de la reunión a través de BlackHole 16ch.

En Windows, el modo bidireccional usa VB-CABLE y Virtual Audio Cable Line 1. Siga las instrucciones de configuración dentro de la app: JotMe le mostrará los dispositivos correctos para el modo que haya seleccionado.

Solo escucha (Listening Only)

Úselo cuando solo necesita escuchar el audio traducido.

• JotMe captura el audio de la reunión o del sistema.
• JotMe reproduce la voz traducida por sus audífonos o altavoces.
• El audio de su micrófono no se transcribe ni se traduce.

En Mac, este modo usa BlackHole 2ch para capturar el audio. En Windows, usa el dispositivo de captura de VB-CABLE.

Solo habla (Speaking Only)

Úselo cuando quiere hablar en su idioma y que los demás escuchen la voz traducida.

• JotMe captura su micrófono.
• JotMe envía la voz traducida a la aplicación de reuniones.
• El audio de los demás participantes no se transcribe ni se traduce.

En Mac, configure el micrófono de la aplicación de reuniones en BlackHole 2ch. En Windows, configúrelo en CABLE Output (VB-Audio Virtual Cable).

Si falta el controlador de audio virtual necesario, el interruptor del modo y el botón de inicio permanecerán deshabilitados hasta que se detecte el dispositivo. Después de instalarlo, reinicie la computadora.

Modo 2: Otros (Other)

Use "Other" cuando el audio no pasa por una aplicación de reuniones.

Audio del micrófono

Úselo para:

• Conversaciones en persona
• Eventos en vivo
• Entrevistas
• Clases
• Demostraciones en stands
• Trabajo en campo

Audio del sistema

Úselo para:

• Videos
• Transmisiones en vivo
• Webinars
• Materiales de capacitación
• Pódcasts
• Cualquier audio que ya esté sonando en su computadora

Los modos de "Other" no requieren enrutamiento de audio virtual, porque la voz traducida no se envía de vuelta a una aplicación de reuniones.

Modo 3: Compartir (Sharing)

Use Sharing cuando los participantes necesitan la traducción en sus propios dispositivos.

• Compartir con URL: cualquiera puede abrir la traducción en vivo en un navegador.
• Compartir con código: otro usuario de la app de escritorio de JotMe puede unirse con un código.
• Mostrar un código QR para un acceso rápido.
• Cada participante puede elegir su idioma preferido.
• En las sesiones Fast y Premium elegibles, el anfitrión puede habilitar la traducción de voz a voz para los participantes. Esto consume 5× minutos de traducción por participante.

Sharing resulta útil en eventos, aulas, webinars, sesiones de capacitación, visitas a fábricas, demostraciones a clientes y reuniones multilingües donde cada participante puede preferir un idioma distinto.

‍

¿Dónde se puede usar la traducción de voz en tiempo real de JotMe?

Reuniones de equipos multilingües

Para los equipos globales, el mayor problema no es solo el idioma: es la velocidad. La gente duda, espera a que alguien traduzca o evita hablar porque no se siente segura en el idioma de la reunión. La traducción de voz a voz permite que cada persona hable con naturalidad mientras el resto de la sala sigue la conversación en el idioma que mejor entiende.

Llamadas de ventas globales

Las conversaciones de ventas dependen del timing, el tono y la confianza. En lugar de frenar la llamada con interpretación manual, los equipos pueden hablar directamente con prospectos y clientes en su propio idioma mientras JotMe actúa como traductor de voz en tiempo real durante la conversación.

Soporte y éxito del cliente

Los equipos de soporte suelen necesitar entender problemas urgentes con rapidez. La traducción de voz ayuda a los equipos de atención a gestionar escalaciones, llamadas de onboarding, renovaciones y resolución de problemas técnicos sin esperar a un intérprete humano.

Contratación y entrevistas internacionales

Los buenos candidatos no siempre rinden al máximo entrevistándose en un segundo idioma. La traducción de voz a voz facilita que los equipos de selección y los candidatos se comuniquen con claridad, sobre todo en entrevistas técnicas, conversaciones de encaje cultural y procesos de reclutamiento global.

Eventos y webinars

En los eventos, un solo canal de audio traducido rara vez es suficiente. Al compartir por URL o código QR, los asistentes pueden conectarse desde su propio dispositivo y escuchar en su idioma preferido, haciendo más accesibles los webinars, los paneles y las sesiones en vivo.

Educación y capacitación

En aulas, talleres y capacitaciones internas, las brechas de idioma pueden dejar a alguien atrás sin que nadie lo note. La traducción de voz en tiempo real ayuda a estudiantes, empleados y personas en formación a seguir explicaciones complejas en el momento en que ocurren.

Manufactura y colaboración con proveedores

Las visitas a fábricas, las revisiones de calidad, las reuniones con proveedores y la capacitación técnica suelen involucrar terminología especializada. El contexto operativo de JotMe ayuda a que la traducción se mantenga fiel al trabajo real, desde los nombres de productos hasta los detalles de los procesos.

Turismo y hotelería

Hoteles, operadores turísticos, personal de eventos y equipos de atención al huésped necesitan comunicarse rápido entre idiomas. La traducción de voz puede apoyar conversaciones en vivo con huéspedes, coordinación con proveedores, experiencias guiadas y momentos de recuperación del servicio.

Revisión de contenido y flujos de trabajo de medios

Los equipos también pueden usar JotMe fuera de las reuniones, traduciendo el audio del sistema de videos, transmisiones en vivo, pódcasts, materiales de capacitación o contenido grabado. Así, la revisión multilingüe es más rápida, sin necesidad de un flujo completo de transcripción previa.

‍

Para terminar

Las tecnologías que cambian nuestra forma de trabajar suelen parecer engañosamente simples una vez que llegan. Creemos que la traducción de voz a voz es una de ellas. Nos entusiasma ver lo que usted construirá con ella. Si tiene comentarios o quiere conversar sobre una implementación empresarial, escríbanos a hey@jotme.io.

‍