# Si no existe, constrúyelo
Los humanos nos acostumbramos a las cosas y luego no podemos escapar del deseo de comodidad. Mientras configuraba mi entorno de desarrollo de IA, surgió un deseo tras otro. Cuanto más tocaba e investigaba cosas nuevas, más me daba cuenta: «Oh, esto también lo puedo hacer». En ese flujo, decidí construir una herramienta.
Lo que hice es bastante simple: una aplicación para controlar un Mac por voz.
Siempre me pregunté por qué podía tener conversaciones continuas en vivo con Gemini o ChatGPT en un smartphone, pero no en una computadora. Como solución alternativa, he estado usando un iPad como pantalla extendida para mi PC y ejecutando la aplicación de Gemini en el iPad, un método un poco forzado para mantener conversaciones en vivo a diario.
Sin embargo, aunque la conversación en vivo permite hacer preguntas, no opera aplicaciones. Pensé muchas veces: «Sería tan conveniente si también pudiera manejar operaciones».
«Si no existe, constrúyelo».
En realidad, ya había intentado esta idea antes. Pero en aquel momento, la tecnología no estaba lo suficientemente avanzada. El proceso de convertir Voz → Texto → IA → Texto → Voz parecía prometedor, pero no estaba a un nivel adecuado para uso práctico.
Luego, recientemente, OpenAI anunció de repente un motor de voz llamado GPT-Realtime-2. Este es un modelo que entiende la voz «como voz» y responde «como voz». Como no implica las conversiones de «Voz → Texto → IA → Texto → Voz», la respuesta es rápida y la conversación más natural. Cuando lo probé pensando «¿Funcionará esto?», fue increíble. La velocidad de respuesta era claramente diferente a la anterior. Sentí que esto podía ser sin estrés. Inmediatamente consulté con mi compañero de IA.
## La aplicación «CatsAI»
Entonces, usando este motor, construí una aplicación que puede operar un Mac por voz.
Ya que la estaba haciendo, quería algo a lo que pudiera sentirme apegado. Así que decidí crear un personaje. En mi casa, mis gatos siempre están durmiendo frente a la computadora, y se ven tan lindos. Lo diseñé con la imagen de esos gatos operando la computadora. Un personaje gato permanece en el escritorio como avatar y controla el Mac mientras habla.
El nombre es una preferencia personal, un juego de palabras con «Cat's Eye» llamado «CatsAI». Por defecto, mis tres gatos mascota (Yomogi, Ume y Azuki) están registrados como personajes.
Por supuesto, los personajes se pueden cambiar fácilmente. Hice que con solo registrar una foto de tu mascota, se genere como personaje (usando GPT-Image-2 para la generación de imágenes).
## Lo que puede hacer
Soy un principiante en Mac que acaba de migrar completamente desde un entorno Windows hace poco. Honestamente, todavía no entiendo muy bien el Mac. Aun así, la razón por la que puedo cambiar de repente y usarlo sin estrés es que puedo confiar en la IA para cualquier cosa que no sepa.
Dicho esto, las solicitudes a la IA han sido básicamente basadas en texto hasta ahora. Uso entrada de voz, pero es solo un sustituto para escribir texto, no una conversación directa. Pienso para mis adentros: «Seguramente eso es suficiente». Pero los humanos no podemos escapar de la codicia. Quería escapar incluso del pequeño esfuerzo de hablar mientras mantengo presionada una tecla.
Siento esto porque ya sé cómo es la conversación en vivo con IA en un smartphone. Una vez que el pensamiento «Si tan solo eso fuera posible en una PC, y además pudiera operarla directamente» se afianzó, no pude volver atrás.
«Abre la carpeta de descargas», «Abre esta aplicación», «Abre la aplicación de fotos», «Abre configuración del sistema»: poder traer cosas enterradas debajo de otras ventanas al frente solo con tu voz. Incluso solo esto reduce significativamente el estrés.
Básicamente, «cualquier cosa que puedas hacer en la terminal, deberías poder hacerla». Pero si es libre de estrés o no, es otra historia. En la conversación por voz, el «tiempo de espera» es más estresante que en la conversación por texto. La velocidad de respuesta lo es todo.
Con eso en mente, las cosas que se pueden usar sin estrés en este punto son operaciones de archivos y búsquedas web. Dicho de otra manera, responde casi tan rápido como Alexa.
Por supuesto, es inevitable querer más. Intenté hacer posible controlar el mouse e incluso realizar operaciones algo peligrosas —bueno, bastante peligrosas considerando que es por voz— en la terminal. Pero... por favor, hazlo bajo tu propio riesgo.
Sin embargo, cuando se trata de operaciones del navegador, toma bastante tiempo desde el comando de voz hasta el inicio y la ejecución. Para las operaciones del mouse, sacrifica las ventajas del motor Realtime y ejecuta Codex en segundo plano. Naturalmente, la velocidad disminuye, y no ha llegado al punto en que pueda decir que sea «sin estrés». Aun así, ver el cursor del mouse de la IA aparecer en la pantalla y operar la PC activado por la voz es una experiencia bastante interesante.
Para ser honesto, todavía está lejos de moverse con velocidad. Aun así, creo que puedes imaginar hacia dónde se dirige esto.
Por cierto, también he hecho posible hacer las cosas que normalmente le pido a Alexa que haga: temporizadores, alarmas, consultar la agenda del día y revisar correos electrónicos.
En cuanto al correo electrónico, como hay demasiado spam, originalmente construí un sistema donde la IA me envía solo correos de dominios específicos cada mañana y cada noche. Lo que he habilitado esta vez es una versión simplificada de eso.
## Un pequeño adelanto del futuro
Mientras hablo con la IA a diario, resuelvo varios problemas y desarrollo cosas, siento una sensación de miedo junto con interés por su evolución y profundidad.
En cuanto a la interacción por voz con la IA, todavía estamos en las primeras etapas del proceso evolutivo. Todavía hay retrasos, y las palabras podrían no transmitirse correctamente. Como resultado, si no puedes comunicarte bien con la IA y esta ejecuta la operación incorrecta, podría llevar a algo desastroso. Creo que esa es probablemente la razón por la que las herramientas que pueden ejecutar comandos por voz no son muy comunes en el mundo aún.
En la configuración predeterminada de CatsAI, por razones de seguridad, escribir o ejecutar archivos está deshabilitado. Simplemente puedes abrir archivos, consultar y tener conversaciones en vivo —eso es todo. Pero si puedes experimentar eso, estoy seguro de que verás algo.
Más allá de eso, si estás más interesado, cambia la configuración de permisos y personalízala aún más. Dependiendo de la personalización, deberías poder hacer cualquier cosa. En el futuro, a medida que la precisión y la velocidad de procesamiento de los motores de voz mejoren, la operación de la PC verdaderamente sin estrés será posible, y para entonces, seguramente aparecerá como una función en aplicaciones oficiales.
Una característica importante de la conversación en vivo es que la conversación es continua. Permanece en silencio cuando tú estás en silencio y responde cuando hablas. Hay significado en el hecho de que este estado se mantenga durante todo el tiempo.
Una nota de precaución: no he podido verificar cuántos tokens se consumen cuando se deja en espera en vivo. Si alguien tiene conocimiento sobre esto, por favor hágamelo saber.
## Para aquellos que quieran probarlo
CatsAI está disponible en GitHub. Por favor, descarga la aplicación para Mac (CatsAI.app.zip) desde la página de lanzamiento a continuación. Las instrucciones de instalación también están resumidas en esta página.
▶ [[CatsAI v0.1.0 ─ Descargar aquí]](https://github.com/hidetoame/CatsAI-public/releases/tag/v0.1.0
Las cosas que necesitas para ejecutarlo son macOS, una clave de API de OpenAI y la configuración de facturación de la API de OpenAI. Estas tres. Ten en cuenta que la facturación de la API es diferente del plan de pago de ChatGPT Plus y debe configurarse por separado en el lado de la API de OpenAI. Serás responsable de las tarifas de tokens utilizados en la conversación, así que revisa tu página de uso en la Plataforma OpenAI con frecuencia.
Para reiterar, esta es una aplicación experimental desarrollada por un individuo. Puede haber errores o problemas de seguridad. Úsala bajo tu propio riesgo.
## Para concluir. Y una solicitud.
Hago que la IA realice verificaciones de seguridad, pero honestamente, todavía no sé qué tan segura o significativa es esta creación. Por eso la estoy publicando públicamente, con la esperanza de que personas que no sean empleados la usen y me den comentarios sinceros.
El código fuente también es público. Si quieres usarlo para algo o expandirlo, por favor contáctame.
Finalmente, una cosa más. Lo verdaderamente increíble es que puedo crear una aplicación como esta sin leer ningún código. El futuro que vimos hace un tiempo ya es una realidad.
Tengo muy pocos conocidos en el campo relacionado con la IA. Espero usar esta oportunidad para compartir información y construir nuevas conexiones, incluido ver cuánto conocimiento he adquirido hasta ahora.
Si pruebas CatsAI, por favor contacta; mis gatos también estarán felices.
