Dándole a la IA una voz más representativa.

El habla sintética ha existido durante décadas, pero en gran parte de esa historia fue relativamente fácil de identificar. Las voces generadas por computadora sonaban mecánicas, repetitivas y desconectadas de las sutilezas de una conversación normal.

La inteligencia artificial generativa cambió eso rápidamente. Los sistemas modernos de text-to-speech pueden producir ritmos, emociones y pronunciaciones cada vez más naturales. El speech-to-text puede convertir conversaciones en información útil. La tecnología voice-to-voice puede transformar una interpretación manteniendo características como el ritmo y la expresión. Los sistemas conversacionales pueden combinar modelos de lenguaje con voz para permitir que las personas interactúen con el software hablando con naturalidad.

Juntas, estas tecnologías están convirtiendo el audio de un formato de producción a una interfaz.

Para las empresas, creadores y desarrolladores, esto genera oportunidades en publicidad, educación, accesibilidad, servicio al cliente, medios, entretenimiento y software. Un proceso que antes requería estudios especializados, equipo y mucho tiempo de producción ahora puede integrarse cada vez más en un flujo de trabajo digital.

Sin embargo, la tecnología en sí era solo una parte de lo que nos interesaba.

La pregunta más importante era de quiénes serían las voces que formarían parte de ella.

Puerto Rico es un mercado geográfico pequeño con una identidad lingüística inusualmente distintiva. El español en la isla está influenciado por la historia, la migración, el Caribe, los Estados Unidos y generaciones de intercambio cultural. Incluso dentro de Puerto Rico, las voces varían según la geografía, la edad, el contexto social y la experiencia individual.

Esa diversidad es difícil de reducir a una etiqueta genérica como "español".

Lo mismo ocurre en toda América Latina y el Caribe. Una voz de Puerto Rico no suena como una de México, Argentina, Colombia o España, aunque el idioma pueda entenderse mutuamente.

Esto es importante porque la voz no es simplemente un método para transmitir información. Puede crear familiaridad y confianza. Las personas reconocen cuando alguien suena como su comunidad, y también reconocen cuando un acento se siente artificial o desconectado del contexto.

VOXES comienza en Puerto Rico porque es un mercado y una cultura que entendemos. Sin embargo, la gran oportunidad no se limita a una sola isla. Se trata de participar en un ecosistema de voz global donde más comunidades puedan escucharse representadas con naturalidad.

A medida que la tecnología de voz generativa se vuelve más poderosa, otra pregunta adquiere la misma importancia: ¿quién tiene derecho a usar una voz?

La voz humana puede ser parte de la identidad profesional de una persona. Actores, locutores, creadores e intérpretes pueden pasar años desarrollando un sonido reconocible. La clonación de voz cambia la relación entre una grabación y la persona que la creó, porque una voz tiene el potencial de seguir generando contenido nuevo mucho tiempo después de la sesión de grabación original.

Para VOXES, esto convierte el consentimiento, las licencias y la transparencia en partes fundamentales del modelo de producto.

Nuestro enfoque se basa en trabajar con talentos de voz reales a través de acuerdos claros que establecen cómo se puede usar una voz. El objetivo es crear una biblioteca de voces con licencia donde la participación sea intencional y no asumida.

La tecnología debería hacer posible crear cosas nuevas sin eliminar los derechos de las personas cuyo trabajo hace que esas cosas sean posibles.

Ese principio cobra especial importancia a medida que los medios sintéticos se vuelven más fáciles de crear.

Generar un fragmento de audio es útil, pero el trabajo real rara vez termina con una sola generación.

Un creador puede necesitar organizar múltiples proyectos. Una empresa puede requerir voces diferentes para marcas distintas. Una agencia puede trabajar con varios clientes e idiomas. Un equipo de desarrollo puede querer integrar capacidades de voz directamente en una aplicación. Un sistema conversacional puede combinar transcripción, procesamiento de lenguaje y habla generada en una misma interacción.

Por lo tanto, VOXES ha sido concebido como una plataforma de voz y no como una herramienta de un solo propósito.

El text-to-speech, el speech-to-text y el voice-to-voice forman parte de ese ecosistema. Las bibliotecas de voces, los proyectos, la gestión de audio y las futuras capacidades conversacionales pueden extenderlo aún más.

El objetivo principal es hacer que la tecnología de voz sofisticada sea más fácil de usar sin ocultar la complejidad que importa, especialmente en torno a la identidad, las licencias y el control.

Muchos productos tecnológicos comienzan tratando de abarcar el mercado más grande posible. Nosotros estamos adoptando un enfoque distinto.

Comenzar desde Puerto Rico le da a VOXES una perspectiva específica. Entendemos el idioma, el contexto cultural y la importancia de representar voces que las plataformas globales pueden tratar como un segmento relativamente pequeño.

Esa especificidad puede convertirse en una ventaja.

Los productos creados en torno a comunidades reales a menudo pueden resolver problemas que desaparecen cuando todo está diseñado para un usuario global abstracto.

Al mismo tiempo, la necesidad subyacente es mucho mayor. Las marcas en todos los Estados Unidos necesitan contenido en español. Los creadores latinoamericanos necesitan más opciones de voz. Los desarrolladores necesitan capacidades multilingües. Las empresas globales se comunican cada vez más con audiencias que no suenan igual.

La oportunidad está en comenzar de manera local mientras construimos tecnología capaz de llegar mucho más allá del mercado donde surgió la idea.

La IA de voz evoluciona demasiado rápido como para definir el futuro de la categoría a través de una sola función.

La oportunidad puede incluir la producción de medios, publicidad, educación, accesibilidad, localización, agentes conversacionales, experiencias de cliente, herramientas para desarrolladores y aplicaciones que aún no hemos considerado.

Nuestro objetivo no es predecir cada caso de uso.

Es construir una base lo suficientemente flexible para participar a medida que la tecnología evolucione.

Al final, VOXES es una exploración de la relación entre la identidad humana y la comunicación generada por máquinas.

La inteligencia artificial puede generar el habla.

El reto más interesante es asegurarnos de que quienes escuchan todavía puedan reconocer algo humano en ella.