NVIDIA lanza Magpie, un modelo de voz multilingüe que funciona sin depender de la nube
La nueva familia de modelos de síntesis de voz permite crear asistentes que hablen en varios idiomas con baja latencia y total control sobre los datos.
NVIDIA ha presentado Magpie TTS (Text-to-Speech, la tecnología que convierte texto en voz hablada), una familia de modelos de inteligencia artificial de pesos abiertos (es decir, cuyos parámetros internos se pueden descargar y modificar libremente) diseñada para crear asistentes de voz que funcionen en dispositivos locales, sin necesidad de enviar datos a servidores en la nube. Los modelos están disponibles en Hugging Face (una plataforma donde desarrolladores comparten y descargan modelos de IA ya entrenados) y soportan cuatro idiomas: inglés, español, francés y alemán.
La propuesta de Magpie se centra en dos puntos clave para aplicaciones empresariales: latencia baja (el tiempo que tarda el sistema en responder) y control total sobre el despliegue. A diferencia de servicios de voz que funcionan mediante APIs (interfaces que conectan con servidores remotos de terceros), estos modelos pueden ejecutarse en hardware propio —desde estaciones de trabajo con GPUs (tarjetas gráficas potentes que aceleran cálculos de IA) NVIDIA RTX hasta servidores en centros de datos con chips H100— lo que reduce el retardo en la respuesta y permite mantener conversaciones confidenciales sin que los datos salgan de la infraestructura de la empresa.
NVIDIA ha publicado tres versiones del modelo con distinto tamaño: Magpie-256 (256 millones de parámetros, la cifra que mide aproximadamente la complejidad de un modelo), Magpie-512 y Magpie-1024, para adaptarse a diferentes recursos de hardware. Según la compañía, el modelo más pequeño puede generar audio a una velocidad 16 veces superior al tiempo real en una GPU RTX 4090, lo que significa que sintetiza 16 segundos de voz en apenas un segundo de procesamiento. Los modelos están optimizados con TensorRT (un software de NVIDIA que acelera la ejecución de redes neuronales) para reducir aún más la latencia.
La arquitectura técnica combina varios componentes: usa modelos de lenguaje grandes o LLMs (sistemas de IA entrenados con enormes cantidades de texto que pueden entender y generar lenguaje natural) para procesar las consultas del usuario, un módulo de síntesis de voz basado en técnicas de difusión (un método matemático que genera audio de alta calidad de forma gradual), y sistemas de reconocimiento de voz automático o ASR (Automatic Speech Recognition, la tecnología que convierte audio en texto). Todo el flujo —desde que el usuario habla hasta que recibe la respuesta hablada— está diseñado para ejecutarse en local.
Además de los modelos base, NVIDIA ha publicado en GitHub (una plataforma de código abierto donde programadores comparten proyectos) ejemplos de código y recetas de despliegue usando herramientas como NeMo (un framework de NVIDIA para entrenar modelos de IA de audio y voz) y NIM (NVIDIA Inference Microservices, contenedores preconfigurados que facilitan poner modelos en producción). La compañía también ofrece integraciones con frameworks populares de agentes de voz como LiveKit y Pipecat, pensados para desarrolladores que quieren construir aplicaciones de asistentes conversacionales sin empezar desde cero.
El enfoque de pesos abiertos permite a las empresas adaptar los modelos a casos de uso específicos mediante fine-tuning (un proceso de reentrenamiento parcial con datos propios para mejorar el rendimiento en tareas concretas), algo especialmente relevante en sectores regulados como banca o sanidad, donde el control sobre datos sensibles y la personalización del comportamiento del asistente son requisitos críticos.
