Saltar al contenido
ReviewRamble

El boletín semanal

La IA, analizada, en tu bandeja de entrada.

  • Nuevas reseñas de herramientas, modelos, servidores MCP y repos, con el veredicto por delante
  • Precios y valoraciones revisados cuando algo cambia
  • Nuevos análisis en cuanto se publican

Modelos, agentes, servidores MCP y las herramientas que de verdad merecen tu tiempo.

Un correo a la semana. Date de baja con el enlace de cualquier boletín. Cómo usamos tu correo

Modelo speech-to-speech

Un modelo speech-to-speech (de voz a voz) recibe audio hablado y produce audio hablado directamente, sin convertir antes la voz en texto y de vuelta. Se usa para conversación por voz en directo y para traducción.

También llamado: realtime voice, realtime API, S2S, full-duplex voice model

Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas

La forma clásica de construir un asistente de voz es una cadena: speech-to-text, luego un modelo de lenguaje y luego text-to-speech. Cada etapa añade retraso, y el tono de voz se pierde cuando el habla se reduce a texto. Un modelo speech-to-speech sustituye la cadena por un solo modelo que escucha y habla.

Cómo funciona

El artículo de Moshi de Kyutai expuso los problemas de las cadenas: retrasos de varios segundos, pérdida de emoción y de sonidos que no son habla, y turnos de palabra rígidos que ignoran las interrupciones. Moshi representa el audio como tokens de un códec de audio neuronal y modela su propia voz y la del usuario en flujos paralelos, de modo que puede escuchar mientras habla. Puedes ejecutarlo desde el repositorio de Moshi. Modelos alojados como GPT Live 1 se ofrecen mediante API en tiempo real que transmiten audio en ambos sentidos.

Por qué importa a los desarrolladores

Una latencia menor y la posibilidad de interrumpir hacen que un agente de voz se parezca más a una llamada telefónica. El modelo también puede oír y producir emoción, risa y énfasis.

Contrapartidas

Las cadenas son más fáciles de inspeccionar y controlar: puedes registrar la transcripción, cambiar el modelo de lenguaje o aplicar guardrails de texto. Los modelos speech-to-speech dan menos visibilidad de lo que ocurre entre oír y responder, y suelen costar más por minuto. Por eso muchos productos siguen usando una cadena.

Términos relacionados

Agente de voz
Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.
Text-to-speech
El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.
Speech-to-text
El speech-to-text (voz a texto), también llamado reconocimiento automático del habla (ASR), es software que convierte audio hablado en texto escrito. Está detrás de la transcripción, los subtítulos, los comandos de voz y la parte que escucha en los agentes de voz.
Streaming (salida de LLM)
El streaming envía la salida de un LLM al cliente fragmento a fragmento a medida que se generan los tokens, en lugar de esperar a la respuesta completa. Los usuarios ven aparecer texto en unos instantes, aunque la respuesta completa tarde mucho más.
Tiempo hasta el primer token
El tiempo hasta el primer token (TTFT, time to first token) es lo que espera un usuario entre enviar una petición a un modelo de lenguaje y recibir el primer token de su respuesta, e incluye la cola, el procesamiento del prompt y el tiempo de red.
Guardrails (IA)
Los guardrails (barreras de protección) son comprobaciones en tiempo de ejecución colocadas alrededor de un modelo de lenguaje que inspeccionan entradas y salidas y las bloquean, reescriben o redirigen, para que una aplicación no se salga del tema, evite contenido dañino y cumpla reglas que el modelo por sí solo no mantendría de forma fiable.

Fuentes