JARVIS

Asistente de voz 100 % local para Linux. Ni el micrófono, ni las conversaciones, ni el modelo salen de la máquina. Sin cuentas, sin claves, sin nube. Núcleo propio, escrito para caber en una tarjeta pequeña (NVIDIA T1200 de 4 GB) y hacer lo que se le pide por voz, en castellano.

                        ┌───────────────────────────┐
        micrófono ─────>│  OÍDO   whisper.cpp CUDA  │  STT castellano
                        │         sm_75 · small/GPU │  ~930 ms régimen
                        └─────────────┬─────────────┘
                                      v
   apuntes propios ──> ┌───────────┐  ┌─────────────────────────┐
   (RAG)               │  SABER    │─>│  CEREBRO  ollama         │
                       │ model2vec │  │  qwen3.5:4b · tool-call  │
                       │ +híbrido  │  │  + RAG pasivo Y agéntico │
                       └───────────┘  └─────────────┬───────────┘
                                                    v
                       ┌───────────────┐  ┌──────────────────────┐
   altavoz <───────────│  BOCA  Piper  │<─│  MANOS               │
                       │  / voz clonada│  │  acciones + shell     │
                       └───────────────┘  └──────────────────────┘
                                   │
                       ┌───────────┴───────────────────────────┐
                       │  CARA   panel web · WebSocket · reactor │
                       └────────────────────────────────────────┘
                       todo en 127.0.0.1  ·  0 llamadas a la nube

El stack

Capa	Pieza	Papel
Oír	whisper.cpp (CUDA, sm_75)	STT en castellano, en la GPU
Pensar	Ollama · qwen3.5:4b	el cerebro, con tool-calling
Saber	model2vec + búsqueda híbrida	RAG sobre los apuntes del usuario
Hablar	Piper (o voz clonada con XTTS)	TTS local
Cara	panel web · WebSocket · Canvas	el HUD, con el reactor y las métricas
Manos	catálogo de acciones + shell	lo que ejecuta en la máquina

Todo corre en 127.0.0.1. No hay ninguna llamada a la nube en el uso normal; lo único que puede salir es una búsqueda web si el modelo decide usarla, y se avisa.

Requisitos de hardware

Referencia (el equipo del autor):

GPU	NVIDIA T1200, 4 GB VRAM, Turing (sm_75)
RAM	62 GB
SO	Debian 12, GNOME sobre X11, PipeWire

La restricción que manda es la VRAM. El presupuesto, medido:

┌──────────────────────────────────┬──────────┬───────────────────────┐
│ COMPONENTE                        │ VRAM     │ NOTA                  │
├──────────────────────────────────┼──────────┼───────────────────────┤
│ qwen3.5:4b (24/32 capas en GPU)   │ 2177 MiB │ el cerebro            │
│ whisper small (PICO de la trans-  │  839 MiB │ el pico, no el reposo:│
│ cripción)                         │          │ ahí estuvo el OOM     │
│ ── suma ──                        │ 3016 MiB │ cabe, con margen justo│
└──────────────────────────────────┴──────────┴───────────────────────┘

Corre en menos con un modelo más pequeño; con más VRAM, sobra sitio.

Instalación

Necesita, en la máquina: Ollama, whisper.cpp compilado con CUDA (ver config/README_whisper_gpu.md) y Piper.

git clone https://gitea.laenre.net/hacklab/JARVIS.git
cd JARVIS
./install.sh          # comprueba servicios, crea el venv y el modelo de Ollama

install.sh no descarga modelos pesados ni toca el sistema sin avisar: solo prepara el entorno de Python y crea qwen3.5:4b-jarvis a partir del Modelfile.

Después:

./nucleo/saber/indexa.py     # (opcional) indexa tus apuntes para el RAG
./nucleo/arranca.sh          # el asistente y el panel, en 127.0.0.1

Qué le puedes pedir

Habla en castellano, natural. 150 acciones en el catálogo, agrupadas:

Grupo	Nº	Ejemplos
sistema	59	"cuánto espacio queda", "la memoria", "la carga de CPU", "la temperatura"
firefox	54	"abre el Gmail", "abre YouTube", "abre el GitHub", "abre Maps"
ventanas	12	"manda la ventana a la izquierda", "maximiza", "centra la ventana"
ficheros	11	"busca un fichero llamado…", "lee el fichero…", "cuánto ocupa la carpeta…"
pentest	8	"escanea la red", "los puertos del host…", "resuelve el dominio…", "el whois de…"
oasis	6	"está corriendo Oasis", "cuántas conexiones tiene"

Si lo que pides no está en el catálogo, el modelo lo resuelve con un comando de shell (de solo lectura por defecto). Y si pregunta cómo se hace algo técnico, puede buscar en tus apuntes (RAG) antes de responder, para dar el comando que ya has probado en vez de inventarlo.

Órdenes con root

Algunas acciones necesitan sudo. El manejo es explícito y con límites, no un "root para siempre":

• La contraseña nunca se escribe en disco. Vive en memoria del proceso solo si activas el permiso de sesión, y se pasa a sudo -S por la entrada estándar.
• El permiso de sesión caduca a los 15 minutos de la última orden, y también al cerrar el panel.
• Cada orden con root muestra su comando exacto en un diálogo antes de ejecutarlo. El permiso de sesión solo ahorra re-teclear la contraseña; nunca salta el ver y aprobar. La voz no puede autoaprobar root.

Con el candado echado, el asistente no obedece órdenes que toquen el sistema: las pide desbloquear primero.

Privacidad

Es la premisa, y se verifica. Ver PRIVACIDAD.md. Este repositorio no incluye los apuntes indexados ni el diario de conversación: son del usuario, y el .gitignore los bloquea.

Estructura

nucleo/           el asistente (oido, cerebro, boca, manos, cara, saber)
config/           configuración: modelo, voz, whisper CUDA
voz/              clonado de voz con XTTS y caché de frases
entrena/          fine-tuning con QLoRA
install.sh        el instalador

Estado y limitaciones

Proyecto en desarrollo. Rugosidades conocidas: varios scripts de config/ y voz/ asumen rutas absolutas del entorno del autor (~/COFRE/...) y habría que hacerlas configurables; el fine-tuning de entrena/ está pendiente de un ajuste para modelos multimodales.

Licencia

Por decidir por el autor. El núcleo es código propio, no derivado.