Este documento presenta un sistema de conversión de voz a texto (STT) en tiempo real diseñado para entornos de computación en el borde que requieren una latencia ultra baja y procesamiento local. A diferencia de los servicios STT basados en la nube, la solución propuesta se ejecuta completamente en una infraestructura local, lo que permite la protección de la privacidad del usuario y proporciona un alto rendimiento en escenarios con limitaciones de ancho de banda o fuera de línea. El sistema diseñado se basa en la captura de audio nativa del navegador a través de WebRTC, transmisión en tiempo real con WebSocket y reconocimiento automático de voz (ASR) fuera de línea utilizando el motor Vosk. Un componente de procesamiento de lenguaje natural (NLP), implementado como un microservicio, mejora los resultados de transcripción en cuanto a precisión ortográfica y claridad. Nuestro prototipo alcanza una latencia de extremo a extremo de menos de un segundo y fuertes capacidades de transcripción en condiciones realistas. Además, la arquitectura modular permite la extensibilidad, la integración de modelos de IA avanzados y adaptaciones específicas del dominio.