Kyutai Presenta Moshi: Modelo de Voz a Voz Dúplex Completo en Tiempo Real
El laboratorio de investigación Kyutai presenta Moshi, un modelo fundacional de voz a voz en tiempo real con arquitectura dúplex completa capaz de escucha
Sigue leyendo las noticias clave de IA
Filtrar y personalizar
Baichuan Presenta Baichuan-Omni: Modelo Multimodal Abierto de Procesamiento de Voz, Video y Texto en Tiempo RealBaichuan presenta Baichuan-Omni, modelo de 7B para comprensión multimodal simultánea de video y voz con latencia de 400 ms e interacción natural.Leer análisis completo
Hexgrad Presenta Kokoro-82M: Modelo de Síntesis de Voz de 82 Millones de Parámetros con Rendimiento Superior a Tiempo RealHexgrad libera Kokoro-82M, modelo ligero de síntesis de voz de 82M que alcanza calidad de frontera ejecutándose a gran velocidad en CPUs de consumo sin GPU.Leer análisis completo
Kyutai presenta Moshi: el modelo de voz multimodal en tiempo real con 200 milisegundos de latencia y pesos abiertosKyutai libera Moshi, modelo de diálogo por voz full-duplex con latencia de 200ms, compresión Mimi y pesos abiertos para ejecución en servidores locales.Leer análisis completo
THUDM Presenta GLM-4-Voice: Modelo Multimodal de Voz a Voz en Tiempo Real con Comprensión Acústica DirectaZhipu AI y Tsinghua liberan GLM-4-Voice, modelo multimodal abierto de voz a voz en tiempo real con comprensión de prosodia, emociones y síntesis expresiva.Leer análisis completo
Meta FAIR Presenta SeamlessM4T v2: Modelo Fundacional Abierto de Traducción Multimodal de Voz y TextoMeta FAIR lanza SeamlessM4T v2, modelo fundacional abierto que unifica traducción multilingüe de voz a voz, voz a texto y texto a voz en casi 100 idiomas.Leer análisis completo
Kyutai Presenta Mimi: Codec de Audio Neuronal Abierto de Ultra Baja Latencia para Modelos de VozKyutai libera Mimi, codec de audio neuronal abierto que combina tokens acústicos y semánticos a 12,5 Hz para síntesis de voz interactiva a baja latencia.Leer análisis completo
Hugging Face Presenta FastRTC: Biblioteca Nativa de WebRTC para Agentes de Voz y Video en Tiempo RealHugging Face presenta FastRTC, biblioteca abierta que estandariza agentes multimodales con WebRTC nativo, detección de silencios y latencia inferior a 200ms.Leer análisis completo
Alibaba presenta Qwen2-Audio: el modelo fundacional de comprensión y diálogo por voz directa sin pipeline de transcripción ASRAlibaba lanza Qwen2-Audio, modelo que procesa voz natural y audio ambiente directamente en el espacio latente sin requerir transcripción intermedia.Leer análisis completo
Google GameNGen: El Primer Motor de Videojuegos Neuronal Capaz de Simular DOOM en Tiempo Real Mediante DifusiónGoogle Research presenta GameNGen, el primer motor neuronal capaz de simular DOOM a más de 20 FPS mediante modelos de difusión interactivos en tiempo real.Leer análisis completo
Microsoft Presenta VASA-1: Generación de Avatares Parlantes Fotorrealistas en Tiempo Real a 40 FPS a Partir de Audio y una Sola FotoMicrosoft Research revela VASA-1, un modelo que sintetiza rostros parlantes a 40 FPS en 512x512 con sincronización labial exacta y gesticulación natural.Leer análisis completo
Decart y Etched Presentan Oasis: El Primer Modelo de Mundo Jugable en Tiempo Real a 20 FPS Impulsado por Redes NeuronalesDecart y Etched presentan Oasis, el primer modelo de mundo que genera entornos y simula física a 20 FPS sin depender de un motor de juego tradicional.Leer análisis completo
Lightricks Presenta LTX-Video: Modelo Abierto de Generación de Video en Tiempo Real Basado en Transformers de DifusiónLightricks publica LTX-Video, modelo abierto de generación de video en tiempo real que produce secuencias en alta resolución a velocidades sin precedentes.Leer análisis completo
Codeium Presenta Windsurf: Editor de Código con Flujos Agénticos Cascade para Colaboración Profunda en Tiempo RealCodeium lanza Windsurf, IDE agéntico con flujos Cascade que combinan autocompletado predictivo y orquestación multiarchivo colaborativa en tiempo real.Leer análisis completo
Kyutai Labs Presenta Helium 1: Modelo Abierto Ultracompacto de 2B Diseñado para Inferencia Local de Alta VelocidadKyutai Labs libera Helium 1, un modelo de lenguaje de 2.000 millones de parámetros con optimización de vocabulario para inferencia ultrarrápida on-device.Leer análisis completo
Step-Audio: Modelo Multimodal Abierto de Comprensión y Síntesis de Audio en Tiempo RealStepFun libera Step-Audio, modelo multimodal de 130B con tokenización acústica directa para síntesis vocal expresiva y comprensión de audio en tiempo real.Leer análisis completo
Luma AI Lanza Dream Machine: Modelo Fundacional de Video Capaz de Generar Tomas Cinemáticas de Alta Calidad y Coherencia FísicaLuma AI presenta Dream Machine, modelo de video generativo que produce tomas fluidas de 5 segundos con física realista e iluminación cinemática.Leer análisis completo