Bomzai Voice

Le problèmeO problema

Une réunion avec l'équipe française. Je comprends un mot sur trois. Je demande de répéter, et la réunion ralentit pour tout le monde. Uma reunião com o time francês. Eu entendo uma palavra em três. Peço para repetir, e a reunião desacelera para todo mundo.

Les outils qui existent traduisent après coup, ou coupent la parole, ou envoient l'audio à un serveur. Aucun ne tient dans une réunion de travail réelle. As ferramentas que existem traduzem depois, ou cortam a fala, ou mandam o áudio para um servidor. Nenhuma se sustenta numa reunião de trabalho real.

Ce qui marche aujourd'huiO que funciona hoje

Comment ça marcheComo funciona

Cliquez sur une brique pour voir ce qu'elle fait, et le chiffre qui a décidé le choix. Clique numa peça para ver o que ela faz, e o número que decidiu a escolha.

Ce que ça coûteO que custa

La transcription domine : 579 ms sur 708, et elle est plate. Whisper traite une fenêtre fixe de 30 secondes quelle que soit la durée réelle. Une demi-seconde de parole coûte 539 ms, huit secondes en coûtent 617. A transcrição domina: 579 ms de 708, e é plana. O Whisper processa uma janela fixa de 30 segundos independentemente da duração real. Meio segundo de fala custa 539 ms, oito segundos custam 617.

La colle en Python coûte 27 ms sur 850, soit 3,2 %. Le travail lourd est déjà en C++. A cola em Python custa 27 ms de 850, ou 3,2%. O trabalho pesado já é C++.

Ce que ce n'est pasO que ele não é

Aucun modèle n'a été entraîné. Whisper, Argos, Piper. Tout est prêt à l'emploi, assemblé. Nenhum modelo foi treinado. Whisper, Argos, Piper. Tudo pronto para uso, montado.

Le travail n'a pas été dans les modèles. Il a été dans le choix de chaque brique avec mesure, dans l'orchestration, et surtout dans les modes de défaillance. O trabalho não esteve nos modelos. Esteve na escolha de cada peça com medição, na orquestração, e sobretudo nos modos de falha.

Ce qui a cassé en cheminO que quebrou no caminho

Une chaîne qui enchaîne les quatre briques marche en démonstration. Elle ne survit pas à une réunion. Voici six défauts qui ont demandé une mesure pour être trouvés. Aucun n'apparaît à la lecture du code. Uma cadeia que encadeia as quatro peças funciona em demonstração. Não sobrevive a uma reunião. Estes são seis defeitos que exigiram medição para serem achados. Nenhum aparece lendo o código.

• La fenêtre sourdeA janela surda

  Le micro restait fermé pendant que la traduction sortait. On parlait dans le vide, sans message, sans trace.O microfone ficava fechado enquanto a tradução saía. Você falava no vazio, sem mensagem, sem rastro.

  5 194 ms par tour5.194 ms por turno

• La boucle réseauO laço pela rede

  Teams renvoyait mon propre micro. Le système traduisait sa propre traduction.O Teams devolvia o meu próprio microfone. O sistema traduzia a própria tradução.

  l'invariant local ne couvre pas un chemin réseauo invariante local não cobre um caminho pela rede

• Le bâillon qui coupeA mordaça que corta

  Mettre les trames à zéro pendant le bâillon : le VAD lit les zéros comme une fin de phrase.Zerar as janelas durante a mordaça: o VAD lê os zeros como fim de frase.

  phrase coupée en deuxfrase cortada em duas

• Le trou recolléO buraco emendado

  Deuxième tentative : jeter l'audio. Whisper recolle et invente une phrase fluide et fausse.Segunda tentativa: descartar o áudio. O Whisper emenda e inventa uma frase fluente e errada.

  « revisar o orçamento segunda-feira »

• Le sceau casséO selo quebrado

  Les .pyc écrits après la signature cassent le sceau. macOS refuse avec « endommagé », sans contournement.Os .pyc escritos depois da assinatura quebram o selo. O macOS recusa com "danificado", sem contorno.

  trouvé parachado por codesign --verify

• L'URL morteA URL morta

  Le lien de téléchargement du pilote renvoyait 404. L'installation n'aurait jamais marché ailleurs.O link de download do driver devolvia 404. A instalação jamais funcionaria em outro lugar.

  trouvé en simulant une machine viergeachado simulando uma máquina limpa

Le mode de défaillance le plus coûteux ne crie pas. Il renvoie un résultat normal : un 200 avec zéro ligne, un « 0 erreur » à quelqu'un qui vient d'être refusé, un bloc audio valide de quasi-zéros quand le périphérique a changé. O modo de falha mais caro não grita. Devolve um resultado normal: um 200 com zero linhas, um "0 erro" para quem acabou de ser recusado, um bloco de áudio válido de quase-zeros quando o dispositivo mudou.

« J'ai rechargé et ça a marché » n'est pas un diagnostic. "Recarreguei e funcionou" não é diagnóstico.

La pileA pilha

Tout tourne en local, sur la machine de la personne. La chaîne complète, de la parole au câble virtuel que Teams lit comme un micro : Tudo roda local, na máquina da pessoa. A cadeia completa, da fala ao cabo virtual que o Teams lê como microfone:

Ce qui composeO que compõe

Le dépôtO repositório

Les invariantsOs invariantes

Vérifiés au démarrage. Une configuration qui en viole un est refusée, elle ne démarre pas dégradée. Verificados no boot. Uma configuração que viole um é recusada, ela não inicia degradada.

• Aucun appel réseau en réunion. Les modèles sont sur disque. Rien ne sort de la machine.Nenhuma chamada de rede em reunião. Os modelos estão em disco. Nada sai da máquina.
• Aucun audio sur disque. Les tampons vivent en mémoire et sont jetés par bloc.Nenhum áudio em disco. Os buffers vivem em memória e são descartados por bloco.
• Ce qui est lu et ce qui est écrit ne se croisent jamais. Micro et câble de retour d'un côté, câble de sortie et casque de l'autre. Vérifié au démarrage.O que é lido e o que é escrito nunca se cruzam. Microfone e cabo de volta de um lado, cabo de saída e fone do outro. Verificado no boot.
• La langue est une configuration de canal. Elle n'est jamais détectée.O idioma é configuração de canal. Nunca é detectado.
• Une seule file d'inférence. Jamais deux appels de modèle en même temps.Uma única fila de inferência. Nunca duas chamadas de modelo ao mesmo tempo.

Comment c'est vérifiéComo é verificado

669 tests, dont ceux qui tiennent les défauts de la section précédente : la fenêtre sourde, le bâillon qui coupe, le sceau du bundle. 669 testes, incluindo os que prendem os defeitos da seção anterior: a janela surda, a mordaça que corta, o selo do bundle.

Preuve par mutation. Un test qui passe des deux côtés du correctif ne prouve rien. On enlève le correctif, et on vérifie que le test devient rouge. C'est rapporté en N sur M, avec le nom du test qui a rougi. Prova por mutação. Um teste que passa dos dois lados do conserto não prova nada. Tira-se o conserto, e confirma-se que o teste vermelha. Isso é reportado em N de M, com o nome do teste que vermelhou.

Chaque chiffre est consigné avec la commande qui l'a produit, dans le CHANGELOG.md. Une mesure sans commande n'entre pas. Cada número é registrado com o comando que o produziu, no CHANGELOG.md. Uma medição sem comando não entra.

Le problème que personne ne résoutO problema que ninguém resolve

Une réunion à quatre, quatre langues. Chaque personne reçoit la traduction à un moment différent, parce que les chaînes n'ont pas la même longueur. Uma reunião a quatro, quatro idiomas. Cada pessoa recebe a tradução num momento diferente, porque as cadeias não têm o mesmo comprimento.

L'anglais rit. Le japonais n'a pas encore compris. Celui qui présente passe la diapositive et la moitié de la salle est en retard. O inglês ri. O japonês ainda não entendeu. Quem apresenta passa o slide e metade da sala está atrás.

Ce n'est pas un problème de latence. C'est un problème de désynchronisation. Não é problema de latência. É problema de dessincronia.

L'horloge partagéeO relógio compartilhado

Tous les systèmes de traduction courent après la latence minimale, et échouent, parce que zéro est impossible. Todos os sistemas de tradução perseguem latência mínima, e falham, porque zero é impossível.

Bomzai Voice retourne le problème : si personne n'atteint zéro, on synchronise l'expérience. Bomzai Voice vira o problema: se ninguém chega a zero, sincroniza-se a experiência.

Chaque participant annonce sa latence. La salle adopte la plus grande. Tout le monde livre à cet instant-là. Cada participante anuncia a própria latência. A sala adota a maior. Todos entregam nesse instante.

Personne ne se rend compte qu'il attend, parce que tout le monde attend ensemble. Ninguém percebe que espera, porque todos esperam junto.

Ce que ça changeO que isso muda

1. La réunion redevient cohérente. Réaction, rire, question et réponse arrivent dans l'ordre pour tout le monde. A reunião volta a ser coerente. Reação, riso, pergunta e resposta chegam em ordem para todos.
2. La diapositive se synchronise. Celui qui présente avance quand la dernière personne a entendu, automatiquement, par la même horloge. O slide sincroniza. Quem apresenta avança quando a última pessoa ouviu, automaticamente, pelo mesmo relógio.
3. Et un effet de bord qui vaut de l'or. Ceux qui ont une chaîne rapide gagnent une fenêtre d'attente. Ils peuvent lire l'original avant d'entendre la traduction. C'est là que naît le mode apprentissage, sans rien construire de plus. E um efeito colateral que vale ouro. Quem tem cadeia rápida ganha uma janela de espera. Pode ler o original antes de ouvir a tradução. É onde nasce o modo de aprendizado, sem construir mais nada.

Les versionsAs versões

1. 0.63 semainessemanasSortir de ma machine.Sair da minha máquina.
2. 0.74 semainessemanasQualité perçue : glossaire, compte rendu bilingue.Qualidade percebida: glossário, ata bilíngue.
3. 0.83 semainessemanasL'horloge locale : mesurer sa propre latence.O relógio local: medir a própria latência.
4. 0.98 semainessemanasLa maille : livraison synchronisée.A malha: entrega sincronizada.
5. 1.012 semainessemanasLa plateforme.A plataforma.

La plateformeA plataforma

Aujourd'hui, Bomzai Voice est une couche au-dessus de Teams. Il traduit dans la réunion de quelqu'un d'autre, et il dépend de ce que Teams laisse faire : choisir le micro, choisir la sortie, rien de plus. Hoje o Bomzai Voice é uma camada sobre o Teams. Ele traduz dentro da reunião de outra pessoa, e depende do que o Teams deixa fazer: escolher o microfone, escolher a saída, nada mais.

Une fois l'horloge en place, la dépendance s'inverse. Ce n'est plus Bomzai Voice qui s'adapte à la réunion. C'est la réunion qui se tient dans Bomzai Voice. Com o relógio no lugar, a dependência se inverte. Deixa de ser o Bomzai Voice se adaptando à reunião. Passa a ser a reunião acontecendo dentro do Bomzai Voice.

Un lien d'invitation. Des participants dans plusieurs pays, chacun dans sa langue. Une présentation qui avance quand la dernière personne a entendu. Et personne n'installe autre chose. Um link de convite. Participantes em vários países, cada um no seu idioma. Uma apresentação que avança quando a última pessoa ouviu. E ninguém instala mais nada.

Ce que la plateforme estO que a plataforma é

Une réunion, telle qu'elle se passeraitUma reunião, como ela aconteceria

Quatre personnes, quatre pays. Une réunion commerciale avec un client à Tokyo. Quatro pessoas, quatro países. Uma reunião comercial com um cliente em Tóquio.

1. Léa crée la salle depuis Paris et envoie le lien. Kenji, à Tokyo, l'ouvre dans son navigateur. Il choisit le japonais. Rien à installer. Léa cria a sala de Paris e manda o link. Kenji, em Tóquio, abre no navegador. Escolhe japonês. Nada para instalar.
2. La salle mesure. Quatre latences, quatre chaînes. La plus longue est celle de Kenji, à 1,60 s. La salle se cale à 1,70 s. Personne ne le voit, personne n'a besoin de le voir. A sala mede. Quatro latências, quatro cadeias. A mais longa é a de Kenji, em 1,60 s. A sala se ajusta em 1,70 s. Ninguém vê, ninguém precisa ver.
3. Victor présente en portugais. Il passe la diapositive. Elle change chez les quatre au moment où le dernier a fini d'entendre la phrase. Paul, à Londres, a eu 650 ms de marge. Il les a passées à lire le sous-titre portugais, parce qu'il apprend. Victor apresenta em português. Passa o slide. Ele muda para os quatro no momento em que o último terminou de ouvir a frase. Paul, em Londres, teve 650 ms de folga. Passou lendo a legenda em português, porque está aprendendo.
4. Kenji pose une question en japonais. Elle arrive en français chez Léa, en anglais chez Paul, en portugais chez Victor, au même instant. Victor répond. Personne n'a coupé personne. Kenji faz uma pergunta em japonês. Ela chega em francês para Léa, em inglês para Paul, em português para Victor, no mesmo instante. Victor responde. Ninguém cortou ninguém.
5. La réunion se termine. Léa exporte le compte rendu, dans les quatre langues, avec l'heure de chaque tour. Le serveur n'a jamais entendu un mot. A reunião termina. Léa exporta a ata, nos quatro idiomas, com a hora de cada turno. O servidor nunca ouviu uma palavra.

Ce qui change pour une entrepriseO que muda para uma empresa

Une réunion en anglais approximatif coûte cher. Pas en argent, en compréhension : ce qui n'a pas été dit parce que la phrase était trop dure, ce qui a été mal compris et découvert deux semaines plus tard. Uma reunião em inglês aproximado custa caro. Não em dinheiro, em compreensão: o que não foi dito porque a frase era difícil demais, o que foi mal entendido e descoberto duas semanas depois.

La plateforme enlève cette taxe. Chacun parle sa langue, à sa vitesse, avec son vocabulaire. Et l'entreprise peut recruter quelqu'un de très bon qui ne parle pas la langue du siège. A plataforma tira esse imposto. Cada um fala o próprio idioma, no próprio ritmo, com o próprio vocabulário. E a empresa pode contratar alguém muito bom que não fala a língua da sede.

Ce n'est plus un outil qu'une personne utilise. C'est ce qu'une entreprise achète quand elle a des gens dans plusieurs pays. Deixa de ser uma ferramenta que uma pessoa usa. Passa a ser o que uma empresa compra quando tem gente em vários países.

Ce qu'il faut pour y arriverO que falta para chegar lá

Trois choses, dans l'ordre. Aucune ne demande un modèle meilleur, une GPU plus grosse, ni une technologie qui n'existe pas encore. Três coisas, na ordem. Nenhuma exige modelo melhor, GPU maior, nem tecnologia que ainda não existe.

1. L'horloge locale. Chaque installation mesure sa propre latence en continu et sait la publier. Trois semaines. O relógio local. Cada instalação mede a própria latência continuamente e sabe publicá-la. Três semanas.
2. Le coordinateur. Un serveur léger qui ne voit que des horodatages. Il tient l'horloge de la salle et rien d'autre. Huit semaines, et le critère de sortie est mesuré : moins de 150 ms d'écart entre participants. O coordenador. Um servidor leve que só vê timestamps. Ele mantém o relógio da sala e mais nada. Oito semanas, e o critério de saída é medido: menos de 150 ms de desvio entre participantes.
3. La salle. L'audio directement entre participants, sans Teams au milieu. Le lien, la présence, l'invitation. Douze semaines. A sala. O áudio direto entre participantes, sem Teams no meio. O link, a presença, o convite. Doze semanas.

Six mois. Chaque étape est utilisable seule, et chacune a un chiffre qui dit si elle est réussie. Seis meses. Cada etapa é usável sozinha, e cada uma tem um número que diz se deu certo.