ÁLVAROMAUREIRAEl equipo de investigación de THUDM (Universidad de Tsinghua) y Zhipu AI ha presentado GLM-4-Voice, un modelo fundacional de voz a voz en tiempo real de códi
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
Meta Presenta Spirit LM: Modelo Fundacional Multimodal de Voz y Texto con Comprensión EmocionalMeta presenta Spirit LM, modelo fundacional que combina texto y voz intercalados con entonación, timbre y prosodia emocional.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
Adept Presenta Fuyu-8B: Modelo Multimodal Abierto para Comprensión de Pantallas y Agentes de Interfaz GráficaAdept libera Fuyu-8B, arquitectura multimodal que proyecta parches de imagen directamente al Transformer para operar interfaces web y pantallas complejas.Leer análisis completo
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
Apple Presenta Ferret-UI: Modelo Multimodal para Comprensión Avanzada de Interfaces MóvilesApple presenta Ferret-UI para interpretar pantallas móviles, identificar elementos de interfaz y ejecutar flujos de navegación complejos.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
Mistral AI lanza Pixtral Large: modelo multimodal de 124B parámetros con comprensión de documentos complejos y visión de alta resoluciónMistral AI presenta Pixtral Large de 124B parámetros, superando a GPT-4o en comprensión de diagramas, documentos densos y razonamiento visual complejo.Leer análisis completo
Kyutai Presenta Moshi: Modelo de Voz a Voz Dúplex Completo en Tiempo RealKyutai libera Moshi, modelo de voz a voz dúplex en tiempo real con latencia de 160ms, códec Mimi a 1.1 kbps y soporte abierto para diálogo interactivo.Leer análisis completo
DeepSeek presenta Janus: el modelo multimodal que desacopla la codificación visual para unificar comprensión profunda y generación de imágenesDeepSeek lanza Janus, modelo multimodal que desacopla vías de codificación visual para comprensión y generación autorregresiva de imágenes de alta fidelidad.Leer análisis completo
Moonshot AI presenta Kimi k1.5: modelo de razonamiento multimodal entrenado con aprendizaje por refuerzo a escala masivaMoonshot AI revela Kimi k1.5, combinando técnicas avanzadas de RL multimodal y cadenas de pensamiento profundo para superar evaluaciones complejas de STEM.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
Google avanza con Project Astra: asistente multimodal en tiempo real con comprensión visual continua para móviles y lentes inteligentesGoogle despliega avances en Project Astra, ofreciendo procesamiento visual y de audio en tiempo real con memoria espacial para dispositivos portátiles.Leer análisis completo
ByteDance Presenta Seed-Music: Modelo Fundacional de Generación Musical con Control de Timbre y Edición MultimodalByteDance introduce Seed-Music, un modelo fundacional para síntesis musical de alta fidelidad, control vocal expresivo y edición de pistas por texto.Leer análisis completo
HeyGen Voice: qué cambia al adaptar una voz a la escena y qué revisar antes de usarlaHeyGen Voice adapta una voz a la escena. Cómo funciona, qué muestran sus pruebas y qué revisar sobre acceso, planes y licencia comercial.Leer análisis completo