<figure class="kg-card kg-embed-card"><iframe width="200" height="113" src="https://www.youtube.com/embed/ww13MkJrieY?feature=oembed" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share" referrerpolicy="strict-origin-when-cross-origin" allowfullscreen="" title="Cámara oye"></iframe></figure><p>Cámara es una criatura robótica hecha sobre una cámara PTZ comercial y una Raspberry Pi 5. Cuando alguien le dice <strong>«oye cámara»</strong> —su palabra de activación—, la entiende, sabe de qué lado vino la voz y gira hacia allá.</p><p>Su oído es el micrófono de un PS3 Eye, una fila de micrófonos a <strong>20 mm</strong> uno de otro. La voz llega un poco antes al micrófono más cercano, y por esa diferencia Cámara sabe de qué lado le hablan. Después, <a href="https://alphacephei.com/vosk/?ref=localhost" rel="noreferrer">Vosk</a> —un reconocedor de voz que corre en la Pi, sin internet— entiende «oye cámara» y queda <strong>4 segundos</strong> esperando un comando, dentro de un vocabulario cerrado de <strong>62 palabras</strong>: «sígueme», «foto», «baila»…</p>
<!--kg-card-begin: html-->
<figure class="kg-card luf-model"><script type="module" src="https://luf.tech/assets/js/model-viewer.min.js"></script><model-viewer src="https://luf.tech/assets/model/camara-oido.glb?v=1" alt="Modelo 3D de la base de Cámara con el PS3 Eye y sus micrófonos destacados en fucsia, detrás de la Sense HAT" poster="https://luf.tech/content/images/2026/10/ps3eye-v3-7.png" camera-controls touch-action="pan-y" auto-rotate environment-image="neutral" tone-mapping="neutral" exposure="0.75" shadow-intensity="0.5" camera-orbit="-80deg 93deg auto" style="width:100%;height:460px;background:transparent"></model-viewer><figcaption>El oído de Cámara: el PS3 Eye y sus micrófonos, en fucsia, montados en la base junto a la Raspberry Pi. Gíralo con el mouse o el dedo.</figcaption></figure>
<!--kg-card-end: html-->
<!--kg-card-begin: html-->
<div class="luf-mods"><div class="luf-mod"><h3>Escuchar</h3><p>Un solo programa abre el micrófono y reparte audio y dirección.</p></div><div class="luf-mod-arrow" aria-hidden="true"><svg viewBox="0 0 28 16"><path d="M0 8h25M19 2l6 6-6 6" fill="none" stroke="currentColor" stroke-width="2"/></svg></div><div class="luf-mod"><h3>Localizar</h3><p>De qué lado vino la voz: izquierda, frente o derecha.</p></div><div class="luf-mod-arrow" aria-hidden="true"><svg viewBox="0 0 28 16"><path d="M0 8h25M19 2l6 6-6 6" fill="none" stroke="currentColor" stroke-width="2"/></svg></div><div class="luf-mod"><h3>Entender</h3><p>Reconocer «oye cámara» sin internet.</p></div></div>
<!--kg-card-end: html-->
<h2 id="escuchar-un-micr%C3%B3fono-un-solo-due%C3%B1o">Escuchar: un micrófono, un solo dueño</h2><p>El PS3 Eye entrega 4 canales a 16 kHz. Los abre un solo programa, <a href="https://github.com/introlab/odas?ref=localhost" rel="noreferrer">ODAS</a>, que calcula de dónde viene el sonido y reparte dos cosas: la dirección y el audio ya enfocado hacia ella. Nadie más toca el micrófono.</p><p>Ese audio «enfocado» sale de una técnica llamada <strong>beamforming</strong>. Como la voz llega a cada micrófono con un pequeño desfase, ODAS atrasa cada canal lo justo para que la voz que viene de la dirección elegida quede alineada, y después los suma. La voz se suma consigo misma y se refuerza; el ruido que viene de otros lados queda desalineado y se diluye. Es como girar la oreja hacia quien habla, sin mover nada.</p><figure class="kg-card kg-image-card kg-card-hascaption"><img src="https://luf.tech/content/images/2026/10/beamforming_es.png" class="kg-image" alt="Esquema de beamforming: tres canales con voz y ruido desfasados, el atraso que alinea la voz y la suma donde la voz se refuerza y el ruido se diluye" loading="lazy"><figcaption>Esquema: los desfases están exagerados para que se vean.</figcaption></figure>
<!--kg-card-begin: html-->
<div class="luf-concl"><div><span class="luf-concl-k">Conclusión</span><h4>Un recurso físico, un solo dueño</h4><p>Si dos programas abren el mismo dispositivo, las fallas aparecen de a ratos y no se pueden reproducir.</p></div></div>
<!--kg-card-end: html-->
<h2 id="localizar-el-lado-no-el-%C3%A1ngulo">Localizar: el lado, no el ángulo</h2><p>La voz llega un poco antes a un micrófono que a otro, y ese corrimiento es la dirección. Con <strong>tres micrófonos</strong> en línea, la fila mide <strong>40 mm</strong>: alcanza para distinguir <strong>izquierda de derecha</strong>, no para dar un ángulo fino. Con la voz al frente lee 0 en 20 de 20 muestras; de lado, la lectura se dispersa <strong>±15°</strong>.</p><figure class="kg-card kg-image-card kg-card-hascaption"><img src="https://luf.tech/content/images/2026/10/localizar_es.png" class="kg-image" alt="A: los 3 micrófonos en línea y una voz llegando en diagonal. B: la misma onda llega a cada micrófono con decenas de microsegundos de diferencia" loading="lazy"><figcaption>Entre un micrófono y el otro hay decenas de microsegundos, menos que una muestra a 16 kHz. Alcanza para saber el lado.</figcaption></figure><p>La dirección se lee <strong>hacia atrás</strong>: cuando Cámara reconoce «oye cámara», la frase ya pasó. Mira los <strong>2.0 a 0.2 s</strong> anteriores y los compara con los <strong>3.5 s</strong> de antes. Gana el lado que <strong>creció</strong>, no el más fuerte: así no gana el ruido que ya estaba en la sala.</p>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>Cuánto tiene que crecer un lado para ganar, sobre 13 llamadas reales con el lado anotado</caption><thead><tr><th>criterio</th><th class="num">aciertos</th><th class="num">giros al lado contrario</th></tr></thead><tbody><tr><td>por sector de 15°, umbral 0.10</td><td class="num">7/13</td><td class="num">0</td></tr><tr class="pick"><td>por lado, umbral 0.10</td><td class="num">9/13</td><td class="num">0</td></tr><tr><td>por lado, umbral 0.06 a 0.08</td><td class="num">10/13</td><td class="num">1</td></tr></tbody></table><p class="note">Exigir menos gana una llamada, pero agrega un giro al lado equivocado. Cuando no está segura, Cámara no gira: busca.</p></div>
<!--kg-card-end: html-->
<!--kg-card-begin: html-->
<div class="luf-concl"><div><span class="luf-concl-k">Conclusión</span><h4>Pedirle al sensor lo que la geometría da</h4><p>Una apertura corta separa lados; exigirle ángulos solo agrega ruido a la decisión.</p></div><div><span class="luf-concl-k">Conclusión</span><h4>Equivocarse de lado es peor que no saber</h4><p>El umbral se elige contando los errores que más cuestan, no los aciertos.</p></div></div>
<!--kg-card-end: html-->
<h2 id="entender-pocas-palabras-sin-internet">Entender: pocas palabras, sin internet</h2><p>El reconocedor es <strong>Vosk</strong>, que corre en la Pi y solo conoce una lista cerrada: la palabra de activación y 62 palabras de comando. No oye el audio crudo: oye lo que ODAS arma apuntando hacia donde cree que está la voz. Cada palabra tiene que pasar una confianza de <strong>0.60</strong>, y tras «oye cámara» el comando tiene que llegar dentro de <strong>4 s</strong>.</p><p>Dejarle a Vosk solo «oye cámara» ahorra <strong>25 %</strong> de CPU, pero rompe decir «oye cámara sígueme» de corrido. Por eso Vosk sigue oyendo todas las palabras, y lo que se filtra es qué hacer con ellas.</p>
<!--kg-card-begin: html-->
<div class="luf-concl"><div><span class="luf-concl-k">Conclusión</span><h4>Lo que se oye en casa, se queda en casa</h4><p>Un robot que escucha todo el día en una casa no debería mandar ese audio a un servidor. Reconocer la voz en el mismo robot, sin internet, hace de la privacidad una propiedad del diseño y no una promesa.</p></div><div><span class="luf-concl-k">Conclusión</span><h4>Vocabulario cerrado, por ahora</h4><p>Con pocas palabras, un reconocedor chico acierta mucho más y no inventa órdenes que nadie dio. Es lo justo para obedecer comandos; conversar pedirá abrirlo.</p></div></div>
<!--kg-card-end: html-->
<h2 id="problemas-encontrados">Problemas encontrados</h2><h3 id="un-canal-muerto-perd%C3%ADa-la-mitad-de-las-hotwords">Un canal muerto perdía la mitad de las hotwords</h3><p>Cámara dejaba de reconocer «oye cámara» de a ratos, sin un solo error. La causa: uno de los cuatro micrófonos estaba muerto. Tres canales daban <strong>−49 a −47 dBFS</strong> y se parecían entre sí (correlación <strong>0.79–0.87</strong>); el cuarto daba <strong>−79 dBFS</strong> y no se parecía a ninguno (<strong>~0.00</strong>): ruido de fondo, no un micrófono.</p><figure class="kg-card kg-image-card kg-card-hascaption"><img src="https://luf.tech/content/images/2026/10/canal-muerto_es.png" class="kg-image" alt="Captura real de los 4 canales del PS3 Eye: tres oyen la sala y el canal 3 queda plano en −79 dBFS" loading="lazy"><figcaption>El canal 3 no falla: entrega datos, pero solo oye su propio ruido.</figcaption></figure><p>Un canal muerto no hace fallar a ODAS: le hace calcular <strong>otra</strong> dirección, y el audio que le pasa a Vosk apunta al lugar equivocado. Lo probamos con 8 «oye cámara» grabados una vez y pasados por los tres caminos:</p>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>El mismo audio, tres caminos</caption><thead><tr><th>camino</th><th class="num">hotwords de 8</th></tr></thead><tbody><tr><td>audio crudo, un canal</td><td class="num">8/8</td></tr><tr><td>ODAS con los 4 mics</td><td class="num">4/8</td></tr><tr class="pick"><td>ODAS con 3 mics</td><td class="num">8/8</td></tr></tbody></table><p class="note">El arreglo fue un renglón de configuración: sacar el canal muerto. El costo: con 3 mics la dirección da el lado, no el ángulo.</p></div>
<!--kg-card-end: html-->
<!--kg-card-begin: html-->
<div class="luf-concl"><div><span class="luf-concl-k">Conclusión</span><h4>Un canal muerto no falla, miente</h4><p>Hay que vigilar la salud de cada canal: el sistema sigue corriendo, con datos falsos.</p></div><div><span class="luf-concl-k">Conclusión</span><h4>Comparar sobre el mismo estímulo</h4><p>Grabar una vez y pasar el mismo audio por cada variante hace la prueba repetible.</p></div></div>
<!--kg-card-end: html-->
<h3 id="el-ventilador-el-ruido-m%C3%A1s-cercano">El ventilador, el ruido más cercano</h3><p>El ventilador de la Pi está detrás de los micrófonos, a unos <strong>40 mm</strong>. La Pi lo regula sola en cinco velocidades, de 0 (apagado) a 4 (máximo), según su temperatura. Con la sala en silencio, la dirección que lee Cámara se va hacia el ventilador apenas pasa a velocidad 2: desde ahí, su oído apunta al ventilador y no a quien le habla.</p>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>El ventilador contra el oído, en silencio</caption><thead><tr><th>velocidad</th><th class="num">RPM</th><th class="num">dirección leída</th></tr></thead><tbody><tr><td>0</td><td class="num">0</td><td class="num">+3°</td></tr><tr class="pick"><td>1</td><td class="num">3200</td><td class="num">+5°</td></tr><tr><td>2</td><td class="num">5500</td><td class="num">+26°</td></tr><tr><td>3</td><td class="num">7500</td><td class="num">+28°</td></tr><tr><td>4</td><td class="num">9200</td><td class="num">+27°</td></tr></tbody></table><p class="note">En velocidad 1 no molesta. Desde la 2, el ruido de fondo sube de −52 a −40 dBFS, con tonos en 1.8–2.06 kHz: justo donde está la voz.</p></div>
<!--kg-card-end: html-->
<h4 id="por-qu%C3%A9-acelera-el-ventilador">Por qué acelera el ventilador</h4><p>Para seguir a una persona, Cámara busca caras en cada cuadro del video de la cámara. Es una cadena: <strong>más cuadros de video por segundo → más CPU → más temperatura → ventilador más rápido → más ruido</strong>. Buscar caras (YuNet) se lleva <strong>31 de los ~34 ms</strong> que hay por cuadro. Siguiendo a alguien, la Pi llegaba a <strong>64–73 °C</strong>, con el ventilador en velocidad 3.</p><h4 id="qu%C3%A9-probamos">Qué probamos</h4><p><strong>Filtrar el ruido.</strong> No funcionó. Ignorar la dirección del ventilador corre el máximo al borde de lo ignorado: a centímetros, no suena desde un punto sino desde una zona. Quitarle los tonos tampoco, porque además es un soplido que cubre todas las frecuencias. Restar su huella devuelve el orden de los lados, pero no el ángulo.</p><p><strong>Darle aire.</strong> El aire caliente que botaba el disipador se quedaba dentro de la carcasa, y el ventilador volvía a enfriar la Pi con ese mismo aire caliente. Diseñamos e imprimimos dos piezas: un extractor —una campana de <strong>30×30 mm</strong> sobre el ventilador con un tubo de ~25 mm que toma aire fresco de la ventana de la tapa— y una salida que bota el aire caliente por la cara de la Sense HAT, lejos de los micrófonos.</p>
<!--kg-card-begin: html-->
<figure class="kg-card luf-model"><script type="module" src="https://luf.tech/assets/js/model-viewer.min.js"></script><model-viewer src="https://luf.tech/assets/model/camara-aire.glb?v=4" alt="Modelo 3D armado: la base, la Raspberry Pi 5, la Sense HAT, el PS3 Eye y la tapa en gris; el extractor sobre el ventilador y la salida de aire en fucsia" poster="https://luf.tech/content/images/2026/10/ensamblado-v3-7.png" camera-controls touch-action="pan-y" auto-rotate environment-image="neutral" tone-mapping="neutral" exposure="0.75" shadow-intensity="0.5" camera-orbit="35deg 65deg auto" style="width:100%;height:460px;background:transparent"></model-viewer><figcaption>Gíralo con el mouse o el dedo. En fucsia, las dos piezas nuevas: el extractor trae aire fresco desde la tapa y la salida bota el caliente lejos de los micrófonos.</figcaption></figure>
<!--kg-card-end: html-->
<div class="kg-card kg-file-card"><a class="kg-file-card-container" href="https://luf.tech/content/files/2026/10/extractor-salida-aire.zip" title="Download" download=""><div class="kg-file-card-contents"><div class="kg-file-card-title">Extractor y salida de aire (STL)</div><div class="kg-file-card-caption">Para la Raspberry Pi 5 con Active Cooler: el extractor y la salida en dos piezas, listos para imprimir.</div><div class="kg-file-card-metadata"><div class="kg-file-card-filename">extractor-salida-aire.zip</div><div class="kg-file-card-filesize">167 KB</div></div></div><div class="kg-file-card-icon"><svg viewBox="0 0 24 24"><defs><style>.a{fill:none;stroke:currentColor;stroke-linecap:round;stroke-linejoin:round;stroke-width:1.5px;}</style></defs><title>download-circle</title><polyline class="a" points="8.25 14.25 12 18 15.75 14.25"></polyline><line class="a" x1="12" y1="6.75" x2="12" y2="18"></line><circle class="a" cx="12" cy="12" r="11.25"></circle></svg></div></a></div>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>Con y sin circulación de aire, con el robot despierto</caption><thead><tr><th></th><th class="num">sin circulación (caja cerrada)</th><th class="num">con extractor y salida</th></tr></thead><tbody><tr><td>temperatura de la Pi</td><td class="num">81.5–83.7 °C</td><td class="num">64–73 °C</td></tr><tr><td>ventilador</td><td class="num">velocidad 4 (~9900 rpm)</td><td class="num">velocidad 3 (~7900 rpm)</td></tr><tr><td>la Pi se frena por calor</td><td class="num">sí</td><td class="num">no</td></tr></tbody></table><p class="note">Unos <strong>10–18 °C</strong> menos, pero no es una comparación limpia: entre una medición y otra también cambió el software (menos hilos para buscar caras, ritmo de reposo). Lo seguro es que la Pi dejó de frenarse.</p></div>
<!--kg-card-end: html-->
<p><strong>Menos cuadros por segundo.</strong> Con el ventilador fijo en velocidad 1, cada nivel menos baja la Pi unos 4 °C. Funciona, pero seguir a alguien con pocos cuadros es seguirlo peor.</p>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>Tope de cuadros por segundo contra temperatura, con el ventilador fijo en velocidad 1 y una persona en cuadro</caption><thead><tr><th>tope de fps</th><th class="num">temperatura (último minuto)</th><th class="num">rango</th></tr></thead><tbody><tr><td>8</td><td class="num">68.8 °C</td><td class="num">65.6–72.7 °C</td></tr><tr><td>4</td><td class="num">65.2 °C</td><td class="num">63.4–67.8 °C</td></tr><tr class="pick"><td>2</td><td class="num">61.3 °C</td><td class="num">59.5–62.8 °C</td></tr></tbody></table><p class="note">Cada nivel corrió 4 minutos y arrastra calor del anterior, así que los números pecan de altos. Ninguno llegó a frenar la Pi.</p></div>
<!--kg-card-end: html-->
<h4 id="c%C3%B3mo-lo-resolvimos">Cómo lo resolvimos</h4><p>El aire ayudó, pero el ruido nace en el cómputo. La solución fue que el seguimiento no trabaje cuando no hace falta, y que el oído sepa cuándo no creerse:</p>
<!--kg-card-begin: html-->
<div class="luf-facts"><div class="luf-fact"><span class="luf-fact-v">87 %</span><span class="luf-fact-t"><strong>Buscar caras solo si algo cambió.</strong> Antes de buscar, compara el cuadro con el anterior; si nada se movió, usa lo que ya encontró. Se salta el 87 % de las búsquedas con alguien quieto y el <strong>94 %</strong> con la sala vacía.</span></div><div class="luf-fact"><span class="luf-fact-v">4.3 %</span><span class="luf-fact-t"><strong>De un núcleo de la CPU</strong> pasó a costar buscar caras, desde <strong>25 %</strong>. En reposo, la Pi bajó a <strong>57.3 °C</strong> con el ventilador en velocidad 1, la que no molesta.</span></div><div class="luf-fact"><span class="luf-fact-v">70 °C</span><span class="luf-fact-t"><strong>Ventilador más tarde.</strong> Subimos la temperatura en que el ventilador pasa a velocidad 2: de 60 a <strong>70 °C</strong>. La Pi sigue lejos de los 80 °C en que se frena.</span></div><div class="luf-fact"><span class="luf-fact-v">reposo</span><span class="luf-fact-t"><strong>Ritmo de reposo.</strong> Si la persona está quieta o no hay nadie, el seguimiento baja de ritmo, y un movimiento chico no lo vuelve a acelerar.</span></div><div class="luf-fact"><span class="luf-fact-v">≥ 2</span><span class="luf-fact-t"><strong>Velocidad del ventilador desde la que no se cree al oído.</strong> Ahí Cámara no confía en la dirección de la voz y no gira hacia el ventilador.</span></div></div>
<!--kg-card-end: html-->
<!--kg-card-begin: html-->
<div class="luf-concl"><div><span class="luf-concl-k">Conclusión</span><h4>El ruido más difícil es el del propio robot</h4><p>Está a centímetros, cambia con lo que hace el robot y no se filtra como el ruido de la sala.</p></div><div><span class="luf-concl-k">Conclusión</span><h4>Bajar el cómputo inútil es filtrar en la fuente</h4><p>No procesar un cuadro que no cambió baja a la vez la temperatura, el ventilador y el ruido.</p></div></div>
<!--kg-card-end: html-->
<h2 id="c%C3%B3mo-lo-medimos">Cómo lo medimos</h2><p>Todo en la Pi y en la sala real. Las grabaciones se hacen una vez y se reprocesan con cada variante, así la comparación es sobre el mismo audio.</p>
<!--kg-card-begin: html-->
<div class="luf-data"><table><caption>Las pruebas</caption><thead><tr><th>prueba</th><th>herramienta</th><th>estímulo</th><th>qué mide</th></tr></thead><tbody><tr><td>Reloj y nivel por canal</td><td><code>luf-002 plant mic</code></td><td>tono conocido</td><td>Hz, dBFS, correlación</td></tr><tr><td>Hotword A/B</td><td><code>hotword-ab.py</code></td><td>8 «oye cámara» grabados</td><td>hotwords de 8</td></tr><tr><td>Ventilador contra dirección</td><td><code>doa-raw.sh</code></td><td>silencio y voz, ventilador comandado de 0 a 4</td><td>dirección, dBFS</td></tr><tr><td>Lado de la hotword</td><td><code>doa-criterio.py</code></td><td>13 llamadas reales anotadas</td><td>aciertos, giros al lado contrario</td></tr><tr><td>Temperatura según fps</td><td><code>termica-fps.sh</code></td><td>persona en cuadro, ventilador fijo en 1</td><td>°C</td></tr></tbody></table></div>
<!--kg-card-end: html-->
<h2 id="lo-que-se-lleva-a-otros-robots">Lo que se lleva a otros robots</h2>
<!--kg-card-begin: html-->
<div class="luf-concl-general"><div><span class="n">1</span><div><h4>El cómputo también hace ruido y calor</h4><p>Procesar solo cuando algo cambia baja a la vez la CPU, la temperatura y el ruido del ventilador.</p></div></div><div><span class="n">2</span><div><h4>Revisar cada canal por separado</h4><p>En un sensor de varios canales hay que mirar el nivel y el parecido entre canales: uno muerto no da error, cambia el resultado.</p></div></div><div><span class="n">3</span><div><h4>Grabar una vez, comparar muchas</h4><p>Pasar el mismo audio por cada variante hace que la diferencia sea del método y no de la toma.</p></div></div></div>
<!--kg-card-end: html-->
Cómo Cámara oye
Cámara reconoce «oye cámara» sin internet, sabe de qué lado le hablaron y gira hacia allá.
·
8 min read