Tencent presenta Gander, modelo de voz que conversa mientras ejecuta tareas en segundo plano
Hecho Qué ha ocurrido
El equipo Hunyuan Speech de Tencent junto a investigadores universitarios presentó Gander, un modelo de investigación que procesa voz, imagen y texto simultáneamente mediante una arquitectura de 'cerebelo' (conversación en tiempo real) y 'cerebro' intercambiable (tareas complejas como búsqueda o código). En el benchmark Full-Duplex-Bench v3, Gander interrumpió a los usuarios en solo el 8% de los casos, frente al 13,5% de GPT-Realtime y casi 48% del competidor más débil, aunque su precisión en tareas quedó por debajo de rivales. El modelo fue entrenado con 2,7 millones de ejemplos y se publicará como código abierto próximamente.
Resumen generado mediante IA a partir de The Decoder (original en inglés). Naturaleza de la información: declaración de parte interesada.
Análisis Por qué importa
Muestra un enfoque arquitectónico para resolver el compromiso entre fluidez conversacional y capacidad de razonamiento en asistentes de voz, un problema práctico para empresas que despliegan agentes conversacionales.
- Quién se ve afectado
- Desarrolladores de asistentes de voz, empresas de atención al cliente conversacional y equipos que integran agentes de IA en interfaces de voz.
- Qué puede cambiar
- Sugiere una vía técnica separando el módulo conversacional del de razonamiento, permitiendo intercambiar el 'cerebro' por otros modelos sin reentrenar la parte conversacional.
Análisis generado a partir de la información disponible; no procede de la fuente.
Predicción Qué observar a continuación
Vigilar la publicación de pesos y datos de entrenamiento, la evolución de benchmarks estandarizados para este tipo de sistemas duales, y si otros actores (OpenAI, Sakana AI) adoptan arquitecturas similares.
Recomendación Qué debería hacer una empresa
Equipos que desarrollan asistentes de voz empresariales deberían evaluar en los próximos 6-12 meses arquitecturas duales similares para reducir interrupciones sin sacrificar capacidad de tareas complejas.
Recomendación generada por IA con la evidencia disponible; no es asesoramiento profesional.
Enviar esta noticia por correo
Enviado. Revisa que llegue a la bandeja de entrada de quien lo reciba.
La dirección no parece válida.
Has enviado varios correos seguidos. Espera un rato.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
No se ha podido enviar. Inténtalo de nuevo en unos minutos.
Fuente original: The Decoder. La referencia es siempre el artículo original.
Ver fuente original ↗vozmultimodalagentesLLM TencentOpenAIAnthropicSakana AI agentes asistentes de voz Gander IA conversacional Tencent
Relacionadas
Google Assistant incorpora WaveNet para generar voces naturales en inglés y japonés
Google DeepMind ha integrado una versión mejorada de WaveNet en Google Assistant para generar voces sintéticas en inglés estadounidense y japonés en todas las…
Por qué importaMarca el paso de la síntesis de voz neural de investigación a producto comercial en escala masiva, mejorando la experiencia del usuario en un…
Alibaba lanza Qwen3.5-Omni, modelo multimodal que genera código desde instrucciones de voz y vídeo
Alibaba ha lanzado Qwen3.5-Omni, un modelo de IA omnimmodal que procesa texto, imágenes, audio y vídeo. El modelo supera a Gemini 3.1 Pro en tareas de audio y…
Por qué importaLa capacidad emergente de generación de código multimodal (audio-visual) sin entrenamiento específico sugiere que los modelos omnimmodales pueden…
OpenAI lanza nuevos modelos de voz en tiempo real en su API
OpenAI ha anunciado nuevos modelos de voz en tiempo real disponibles en su API, con capacidades de razonamiento, traducción y transcripción de habla. El…
Por qué importaMejora la calidad de los asistentes de voz y agentes conversacionales que las empresas pueden construir sobre la API de OpenAI, ampliando casos de…
DeepMind presenta WaveNet, modelo generativo que mejora síntesis de voz con IA
Google DeepMind ha presentado WaveNet, un modelo generativo profundo que sintetiza directamente formas de onda de audio crudo. El modelo reduce en más del 50%…
Por qué importaEste avance transforma la síntesis de voz paramétrica, permitiendo generar habla natural con cualquier voz sin necesidad de grabar bases de datos…
Tu opinión
Te hemos enviado un correo para confirmar tu dirección. El comentario se procesará cuando pulses el enlace.
Gracias. Tu comentario se publicará cuando lo revise el equipo (los primeros comentarios de cada persona se moderan).
Comentario publicado. Gracias por participar.
No se puede comentar aquí.
Indica un nombre (de 2 a 60 caracteres).
El correo no parece válido.
El comentario debe tener entre 10 y 2.000 caracteres.
Demasiados enlaces en el comentario.
No se ha podido comprobar que no eres un robot. Vuelve a intentarlo.
Has alcanzado el límite diario de comentarios.
Demasiados comentarios seguidos. Espera un rato.
No se ha podido enviar el correo de confirmación. Inténtalo de nuevo en unos minutos.