La carrera de la voz con IA en China se intensifica con el lanzamiento de SparkAudio 1.0 de iFlytek
La empresa china de inteligencia artificial iFlytek aprovechó su Festival anual de Desarrolladores 1024 el jueves para presentar SparkAudio 1.0, un modelo fundacional de voz que la compañía describe como el primer componente básico de su pila tecnológica de voz. El modelo integra traducción automática, reconocimiento de voz y comprensión semántica en un único sistema, en lugar de ensamblar herramientas separadas para cada tarea.
En una demostración basada en un clip de película, el modelo distinguió las voces del sonido de fondo, identificó el género de los hablantes y realizó juicios precisos sobre la escena. iFlytek afirma que el sistema maneja separación de hablantes en tiempo real, comprensión del entorno, comprensión de audio y reconocimiento de emociones. Para los lectores globales, la propuesta es clara: un solo modelo que puede oír, analizar y traducir una conversación mientras se desarrolla, lo cual es relevante para centros de llamadas, subtitulado en vivo, reuniones transfronterizas y asistentes de voz que actualmente dependen de varios motores desconectados.
El lanzamiento de voz vino acompañado del lanzamiento de Spark X2.6, un modelo grande de extremo a nube construido sobre una arquitectura de mezcla de expertos de 293 mil millones de parámetros con 30 mil millones de parámetros activos y una ventana de contexto de un millón de tokens. iFlytek dice que la actualización se centra en capacidades de codificación y agentes, y que el modelo fue entrenado íntegramente en hardware informático nacional. La compañía también presentó un modelo de código abierto en el dispositivo orientado a ejecutar IA localmente en teléfonos y otros dispositivos.
El contexto más amplio es un mercado chino abarrotado de asistentes de IA e interfaces de voz. Claude Duet de Anthropic, una aplicación móvil independiente que vigila el correo electrónico y los calendarios y puede realizar pedidos con la aprobación del usuario, ha llamado la atención como un ejemplo occidental del agente personal. Los desarrolladores chinos compiten por construir productos comparables, y la voz es una de las interfaces más naturales para ellos, ya que escribir en un teléfono sigue siendo lento y muchos usuarios ya interactúan con los dispositivos hablando.
El énfasis de SparkAudio 1.0 en la emoción y la comprensión del entorno apunta hacia dónde se dirige la competencia. Reconocer lo que se dice ya no es suficiente; se evalúa a los sistemas por si pueden distinguir quién habla, cómo se siente y qué sucede a su alrededor. Ese es el mismo conjunto de capacidades que persiguen los investigadores de robótica humanoide bajo el estandarte de la IA física, donde las máquinas deben interpretar comandos hablados en entornos ruidosos del mundo real.
La afirmación de iFlytek de entrenar con chips nacionales también encaja en un patrón más amplio de la industria china de IA, donde las empresas trabajan para reducir la dependencia de hardware extranjero. La compañía no reveló comparaciones detalladas de referencia, y las evaluaciones independientes de SparkAudio 1.0 aún no han aparecido. El rendimiento real del modelo en centros de llamadas ruidosos, acentos regionales y conversaciones en varios idiomas determinará si el enfoque integrado cumple su promesa.
Lo que está claro es el ritmo. En un solo evento para desarrolladores, iFlytek anunció un modelo fundacional de voz, una importante actualización de modelo de lenguaje y un modelo de borde de código abierto, una señal de que las empresas chinas de IA están lanzando productos en toda la pila en lugar de centrarse en un único buque insignia. Para los desarrolladores, la pregunta es si estas piezas encajan lo suficientemente bien como para construir sobre ellas. Para los usuarios, la prueba será más silenciosa: si el asistente de voz al otro lado finalmente suena como si entendiera.