Home

EMMA Desktop — Wiki del proyecto

EMMA es una tutora de inglés conversacional local-first para profesionales de TI. Pone al aprendiz en una escena de trabajo (una daily, un code review, una entrevista, un incidente en producción), conversa con él 100 % en inglés hasta cerrar la escena, anota los errores sin interrumpir y al final entrega un reporte con lección, repaso y próximo escenario. La IA corre en el equipo del usuario (Gemma 4 sobre WebGPU); la nube es opcional y explícita.

Es el Trabajo Integrador de la Maestría en Computación para el Desarrollo de Aplicaciones Inteligentes (CODING) de la Escuela de Ingeniería de Sistemas y Computación, Universidad del Valle.

• Estudiantes: Oscar Andrés Osorio (oscar.andres.osorio@correounivalle.edu.co) · Raúl Alzate (raul.alzate@correounivalle.edu.co)
• Asesor: Raúl E. Gutiérrez de Piñerez Reyes, Ph.D. (raul.gutierrez@correounivalle.edu.co) — Docente Asociado, profesor GUIA (Grupo de Investigación de Inteligencia Artificial), área de Procesamiento de Lenguaje Natural, EISC.

Ver Contexto académico.

Enlace	Qué es
https://github.com/raalzate/emma-desktop	Código, issues (artefactos SDD), releases
https://raalzate.github.io/emma-desktop/	Vitrina pública con capturas y descarga
https://github.com/raalzate/emma-desktop/releases	Instaladores macOS · Windows · Linux

Mapa de la wiki

Qué es y por qué

• Contexto académico — la maestría, el trabajo integrador y cómo EMMA responde a sus objetivos.
• Alcance y producto — problema, objetivo, alcance, funcionalidades, hoja de ruta y releases.
• Pedagogía y currículo — el método del libro fuente, CEFR, repaso espaciado, escenarios y prácticas.

Cómo está hecha

• Arquitectura — capas + hexagonal, procesos Electron, C4 (contexto y contenedores), persistencia e IPC.
• IA local e híbrida — router de motores, Gemma/LiteRT‑LM, Whisper, voz local Kokoro, presupuestos de tokens, privacidad.
• Flujos agénticos — el patrón «el LLM juzga, el código decide», onboarding ReAct, turno de chat, juez del turno, cierre y feedback.
• Diagramas BPMN — las vistas de proceso del producto (turno de chat, ruta y progresión, repaso SRS, voz y pronunciación, onboarding, simulación y feedback).

Cómo se trabaja

• Arnés y proceso de desarrollo — constitución, gate único, hooks, subagentes, flujo SDD en issues, ciclo de lecciones.
• Release y distribución — workflows de CI y release, firma, auto‑update, vitrina.
• Estado del proyecto — veredicto verificado, señales del gate, deuda conocida.

Hacia dónde va

• Propuesta de Machine Learning — SRS adaptativo, trazado de conocimiento, bandit de recomendación, pronunciación fonémica, destilación.

En una frase por capa

interface / components  ──►  application  ──►  domain
   (React, Electron, IO)      (casos de uso)   (reglas puras, puertos)
              │                     ▲
              └──► infrastructure ──┘   (store JSON por IPC, adaptadores de IA)

Las flechas solo apuntan hacia adentro. El dominio no conoce React, Electron ni red: recibe puertos (LlmGenerate, repositorios) por inyección de dependencias. Ese es el principio que hace posible probar 2090 comportamientos sin un solo modelo cargado.

Stack

Electron 39 · Next.js 15 (App Router, export estático) · React 18 · TypeScript 5 estricto · Tailwind 3 + shadcn/Radix · Gemma 4 .litertlm vía @litert-lm/core (WebGPU) · Whisper vía @huggingface/transformers · Kokoro‑82M vía kokoro-js en Web Worker WASM (TTS local + karaoke, Web Speech de respaldo) · Vitest · pnpm.