Confgraph: ¿he reinventado la rueda al crear un secretario de IA para videollamadas?

A veces me sorprendo pensando «y si esto ya lo ha hecho alguien?» — ya después de haber escrito otro fragmento de código. Con confgraph, mi secretario IA para videoconferencias, decidí no adivinar y averiguarlo honestamente: cuán nuevo es el proyecto y si vale la pena continuarlo.

Qué es el proyecto

Confgraph — un bot del lado del servidor basado en LiveKit, que entra a la videollamada como participante solo para recibir (sin su micrófono, normalmente oculto en la lista de participantes), escucha a cada hablante por separado y:

• reconoce el habla localmente, a través de faster-whisper en CPU, sin enviar audio fuera;
• con ayuda de un LLM (a través de OpenRouter) asigna las frases a temas y construye a partir de ellas un grafo de discusión — no una lista plana de etiquetas, sino nodos-tema con conexiones entre ellos;
• guarda la transcripción, embeddings y el grafo en SQLite — el audio crudo no se almacena en la base;
• responde preguntas sobre el contenido de la llamada mediante un endpoint RAG;
• después de la llamada genera un resumen: por temas, off-topic, decisiones, deadlines, tareas para la siguiente llamada.

Interfaz — Meet, fork de livekit-examples/meet con un panel «Secretario»: lista de temas, árbol de discusión con autoactualización, botón de resumen. Todo esto funciona en un docker-compose propio (LiveKit + confgraph + meet) sin servicios en la nube externos, salvo la llamada al LLM vía API. Puedes probarlo en vivo en meet.regionruza.ru.

Para quienes les interesen los detalles, — algunos parámetros reales de configuración:

ACTIVE_SPEAKER_MODE=replace   # límites de frase = active speaker + hangover 2s
CLASSIFY_TOPIC_CONFIDENCE=0.9 # umbral, por debajo del cual un corto "ok" no cambia de tema
LIVEKIT_HIDDEN=true           # el bot no aparece en la lista de participantes
CHAT_LOG_ENABLED=false        # no spamear el chat general de la reunión

Comprobación de si es reinventar la rueda

Antes de escribir otra línea, miré qué ya existe en el mercado.

SaaS comerciales

Otter.ai, Fireflies, Fathom, tl;dv, Grain, Read.ai — toda esta categoría funciona con un principio: un bot-invitado entra en una llamada ajena (Zoom, Google Meet, Teams) como participante separado, el audio se envía a la nube y a cambio obtienes transcripción y resumen. Los planes van desde gratuitos con limitaciones hasta suscripciones pagadas por cada miembro del equipo. Algunos servicios (Fireflies, MeetGeek) tienen “topic tracking”, pero eso es analítica de temas recurrentes, una lista plana, no un grafo con conexiones entre temas.

Alternativas self-hosted y open-source

Aquí es más interesante: son competidores directos bajo el principio “gratuito y sin suscripción”:

• Meetily — código abierto bajo licencia MIT, reconocimiento local mediante Whisper o Parakeet, resúmenes vía Ollama o cualquier API a elección. Es el análogo gratuito más cercano a confgraph en la parte de «reconocimiento y resumen local». Pero es una aplicación de escritorio para una sola persona en su propio equipo, no un servicio con API para una sala con varios participantes y no forma parte de ninguna plataforma de videollamadas.
• Vexa — API abierta para bots-participantes que puedes desplegar localmente: los bots entran en Google Meet, Teams y Zoom y entregan transcripciones en tiempo real y mediante webhooks. En arquitectura (servidor propio, API en el centro) es lo más parecido a confgraph, pero es un constructor para desarrolladores pensado para conectarse a llamadas ajenas, no una plataforma propia para reuniones. No tiene grafo de temas ni RAG por sala.
• LiveKit Agents — el framework sobre el que está construido confgraph. Provee bloques básicos para agentes de voz —reconocimiento y síntesis de voz, detección de actividad vocal—, pero es material de construcción, no un secretario listo. Usar LiveKit no significa reinventar la rueda; es aplicar un componente ya preparado para su propósito.

Entonces no es (solo) reinventar la rueda

Si reducimos la tarea a «transcripción local y resumen con LLM sin suscripción», ya está resuelta — Meetily lo demuestra, y aquí no fui el primero.

Pero tres cosas en esa combinación no encontré en ningún lado:

1. El secretario está integrado en su propia plataforma de llamadas, y no entra como invitado en una ajena. No hace falta permiso para dejar entrar al bot, ni confiar en el audio de la infraestructura ajena — el secretario entra en mi propio Meet.
2. Grafo de temas con conexiones, no una lista plana. Además, un corto «sí» o «ok» no cambia el tema si el clasificador no está seguro. Ninguna de las herramientas encontradas tiene eso.
3. Consultas RAG vinculadas a una sala concreta a través de una API propia — no una búsqueda general por todo el historial de la cuenta, sino específicamente por el contexto de una conversación.

Conclusión

En parte sí, es reinventar la rueda: la parte básica de «escuchar y transcribir» no la inventé yo, ya existía antes. Pero la construcción completa —una plataforma propia, grafo de temas y RAG por sala— para mi objetivo no la encontré en ningún sitio. Y la principal ventaja práctica para mí no está en la originalidad de la arquitectura, sino en que es mío: nada de suscripciones por un puesto en un equipo de una sola persona, control total sobre los datos de la llamada y la posibilidad de cambiar en cualquier momento lo que no me convence, en lugar de escribir al soporte.