Visual Studio Code ha sumado un modelo de reconocimiento de voz que funciona íntegramente en nuestro propio equipo. La novedad permite dictar texto y comandos sin que ese audio salga jamás hacia servidores externos, un cambio relevante en materia de privacidad para quienes usan el editor a diario. Esta tecnología, integrada a través de Microsoft Foundry Local, elimina la necesidad de depender de servicios de terceros y ya está disponible en las versiones estables del editor.
Hasta ahora, si queríamos dictar texto en el editor teníamos que instalar la extensión VS Code Speech o recurrir a herramientas de terceros que, en la mayoría de los casos, enviaban nuestro audio a servidores remotos para procesarlo. Eso ha cambiado: el entorno incorpora de serie un sistema de dictado que se ejecuta directamente en la máquina. El encargado de esta tarea es Nemotron 3.5 ASR Streaming 0.6B, un modelo desarrollado por Nvidia que corre a través de Microsoft Foundry Local. Al mantenerse todo el procesamiento en el dispositivo, desaparece la dependencia de la nube y nuestras conversaciones o dictados de código no salen del entorno en el que trabajamos.
Un modelo de 600 millones de parámetros en VS Code
Nemotron 3.5 ASR Streaming 0.6B es un modelo de código abierto con 600 millones de parámetros, construido para transcripción multilingüe en tiempo real y con baja latencia. Soporta más de 40 idiomas mediante condicionamiento de prompts, e incluye detección automática de idioma desde un único punto de control, sin necesidad de cargar checkpoints distintos según el caso.
Su arquitectura, denominada FastConformer-RNNT, procesa cada nuevo fragmento de audio reutilizando el contexto que ya tiene en caché, lo que evita cálculos redundantes y permite entregar transcripciones en menos de 100 milisegundos, con tamaños de fragmento configurables desde 80 milisegundos. El modelo gestiona además puntuación y mayúsculas de forma nativa, así que no hace falta aplicar ningún posprocesado para obtener un texto legible. Su tamaño reducido le permite funcionar con soltura incluso en portátiles sin tarjeta gráfica dedicada, algo que se nota en el día a día porque el dictado no introduce tirones ni demora al no depender de la conexión de red.
Dictado de IA disponible en el editor y la terminal
La función no se queda en un simple cuadro de texto: cubre buena parte de las zonas donde escribimos dentro del editor. Podemos usarla en el Chat Panel y en el Inline Chat para dictar instrucciones a GitHub Copilot o a agentes locales, y también funciona en el editor de código, en la terminal y en los cuadros de confirmación de Git.
Esta integración sustituye a la antigua extensión VS Code Speech, que hasta ahora era el único camino para tener funciones de voz en el editor. En muchos casos el dictado aparece activo sin que tengamos que tocar nada, pero si no lo vemos, podemos habilitarlo nosotros mismos: basta con abrir los Ajustes con Ctrl + , en Windows y Linux, o Cmd + , en macOS, buscar la opción dictation.enabled y comprobar que está marcada. Una vez lista, el atajo más rápido para empezar a dictar en el editor es Alt + Command + V en macOS o Ctrl + Alt + V en Windows y Linux, aunque también sirve hacer clic en el icono del micrófono que aparece en los cuadros de entrada como el chat de Copilot.
Cómo de fiable es la transcripción al dictar prompts
La calidad de la transcripción sorprende para tratarse de un modelo de 0,6B ejecutándose por completo en local, sobre todo si lo usamos para escribir notas, documentación o texto en Markdown. Donde más se nota su utilidad, sin embargo, es al dictar prompts complejos a modelos de IA dentro del propio editor: en vez de teclear una instrucción larga, basta con hablarla y dejar que el agente la interprete.
Al probarlo con un prompt técnico habitual, el modelo transcribió correctamente frases con muletillas y correcciones sobre la marcha, incluyendo la instrucción de renombrar una variable en todo el código. El único desajuste apareció con los nombres compuestos: al dictar «userData», la transcripción lo convirtió en «user data», separando ambos términos. No es un fallo grave, porque el agente de IA que recibe ese texto entiende igualmente que se refiere a la variable que hay que modificar. Esta integración de Nemotron 3.5 ASR Streaming 0.6B a través de Microsoft Foundry Local ya está disponible para quienes actualicen su editor a las últimas versiones estables, y consolida el procesamiento local como la vía por defecto para el dictado por voz en VS Code.