JARVIS: asistente de voz local para Linux

Nucleo propio: oye con whisper.cpp, piensa con un modelo de Ollama, habla
con Piper, y hace RAG sobre los apuntes del usuario. 100% local, sin
cuentas ni claves.

Escrito bajo una restriccion dura, 4 GB de VRAM: el cerebro y whisper
comparten tarjeta y solo caben porque estan dimensionados para ello. El
RAG usa embeddings estaticos con busqueda hibrida; la voz clonada se sirve
de una cache de frases.

Incluye instalador (install.sh), requisitos, y documentacion del stack,
del manejo de root y de las acciones. Los apuntes indexados y el diario NO
se incluyen: son privados y el .gitignore los bloquea.

voz/verificar_cache.py

@@ -0,0 +1,68 @@
+#!/usr/bin/env python3
+"""Comprueba que la cache que SUENA es la mejorada, no solo las pruebas.
+
+Compara, frase por frase, el wav de la cache anterior con el de la nueva, y los
+puntua contra la referencia. Es la unica forma de saber que lo medido en el
+banco de pruebas llego de verdad a lo que JARVIS dice.
+
+    python verificar_cache.py <cache_vieja> [cuda|cpu] [cuantas]
+"""
+import glob
+import os
+import sys
+
+import torch
+
+BASE = os.path.dirname(os.path.abspath(__file__))
+sys.path.insert(0, BASE)
+from clonador import CONDICIONADO, REFERENCIA, RESPALDO
+
+VIEJA = sys.argv[1]
+DISPOSITIVO = sys.argv[2] if len(sys.argv) > 2 else "cuda"
+CUANTAS = int(sys.argv[3]) if len(sys.argv) > 3 else 6
+NUEVA = os.path.join(BASE, "cache_voz")
+
+os.environ.setdefault("COQUI_TOS_AGREED", "1")
+
+
+def main():
+    from TTS.api import TTS
+    api = TTS("tts_models/multilingual/multi-dataset/xtts_v2").to(DISPOSITIVO)
+    modelo = api.synthesizer.tts_model
+
+    def emb(ruta):
+        _, e = modelo.get_conditioning_latents(audio_path=[ruta], **CONDICIONADO)
+        return e
+
+    # el patron es la referencia original, la misma contra la que se midio todo
+    patron = emb(os.path.join(BASE, "ref", "jarvis_lento_b.wav"))
+
+    def parecido(ruta):
+        return float(torch.nn.functional.cosine_similarity(
+            patron.squeeze().float(), emb(ruta).squeeze().float(), dim=0))
+
+    comunes = sorted(set(os.path.basename(p) for p in glob.glob(os.path.join(NUEVA, "*.wav")))
+                     & set(os.path.basename(p) for p in glob.glob(os.path.join(VIEJA, "*.wav"))))
+    comunes = comunes[:CUANTAS]
+    print(f"  {len(comunes)} frases comparadas (mismas claves en las dos caches)\n")
+
+    peor = mejor = 0
+    va, vn = [], []
+    for k in comunes:
+        a = parecido(os.path.join(VIEJA, k))
+        n = parecido(os.path.join(NUEVA, k))
+        va.append(a)
+        vn.append(n)
+        flecha = "sube" if n > a else "baja"
+        if n > a:
+            mejor += 1
+        else:
+            peor += 1
+        print(f"    {a:.4f} -> {n:.4f}  {flecha}   {k[:12]}")
+
+    print(f"\n    media  {sum(va)/len(va):.4f} -> {sum(vn)/len(vn):.4f}")
+    print(f"    mejoran {mejor}, empeoran {peor}")
+
+
+if __name__ == "__main__":
+    main()