iRTE 2026: análisis de los modelos en tiempo real por los que apuestan OpenAI y Thinking Machines

El medio chino Jiqizhixin (机器之心) ha anunciado para la conferencia iRTE 2026 una discusión sobre los modelos de interacción en tiempo real. Según los organizadores, OpenAI y Thinking Machines Lab apuestan por esta línea. En el último año, los equipos multimodales han dejado de optimizar una «respuesta de voz más humana» y han pasado a un problema más difícil: cómo participa la IA en una interacción que se desarrolla en ese preciso momento. El fragmento disponible del anuncio no incluye programa, ponentes ni fechas, pero el planteamiento ya indica hacia dónde se ha desplazado el foco.

Tres peldaños de un mismo problema

Los organizadores describen la evolución como una escalera de tres niveles:

• Modelos full-duplex. El agente escucha y habla a la vez. Se le puede interrumpir, y no confunde una pausa en el discurso con el final de un turno.
• Multimodalidad completa (omni). La voz, la visión y otras señales se procesan de forma conjunta, y la decisión se apoya en el panorama completo, no en la transcripción del habla.
• Modelos interactivos. El siguiente paso: entender qué está ocurriendo exactamente en la conversación en ese segundo y elegir la siguiente acción.

Cada peldaño añade una nueva capa de responsabilidad a la anterior. El dúplex resuelve la cuestión del tiempo: cuándo intervenir y cuándo callar. Omni resuelve la percepción: qué ve y qué oye el modelo. El modelo interactivo se encarga del sentido de la situación: quién lleva la voz cantante, qué espera el interlocutor, si es oportuno intervenir.

Por qué la apuesta por el tiempo real resulta lógica

Los asistentes de voz de primera generación seguían el esquema «oír, transcribir, pensar, locutar». Una cadena así introduce latencia y falla con el habla real, donde las personas se interrumpen, se corrigen y dicen «bueno…» en lugar de responder. La calidad de la voz sintetizada puede ser alta, pero la conversación sigue pareciendo un intercambio de notas.

OpenAI ya ha llevado los modos de voz y la Realtime API al terreno del producto. Thinking Machines Lab, la startup de Mira Murati, ex directora de tecnología de OpenAI, mira en la misma dirección según los organizadores. Si dos equipos de ese nivel llegan de forma independiente al mismo vector, es una señal para el mercado. La conversación en tiempo real se convierte en una clase de problemas con sus propias métricas y su propia arquitectura, y no en una capa añadida sobre un LLM de texto.

Lo que queda fuera de plano

El anuncio no incluye benchmarks, nombres de modelos ni plazos. La fórmula de que «ambas compañías apuestan» procede de los organizadores de la conferencia, y el texto no recoge confirmación de las propias empresas. El término «modelo interactivo» aún carece de una definición única: los organizadores no precisan dónde está el límite entre un agente omni potente y un modelo que entiende el curso de la interacción. A juzgar por el tema anunciado, la conversación de fondo versará precisamente sobre esto en la propia conferencia.

Qué deben comprobar los equipos que construyen agentes de voz

Si desarrollas un agente de voz o de vídeo, este cambio tiene una consecuencia práctica: habrá que revisar las métricas de calidad. La precisión del reconocimiento y la naturalidad de la voz ya no bastan por sí solas. Conviene medir:

• la latencia entre el final de la intervención del usuario y el inicio de la respuesta;
• la corrección de la reacción ante interrupciones: si el agente se calló y si conservó el contexto;
• la proporción de intervenciones en falso, cuando el agente empezó a hablar mientras la persona simplemente estaba pensando;
• la capacidad de usar el contexto visual, si está disponible: pantalla, cámara, gestos.

También conviene decidir de antemano qué se construye: una cascada de ASR, LLM y TTS por separado o un modelo único que trabaje directamente con el audio. Ambos enfoques coexisten hoy, pero la conversación en iRTE 2026 muestra hacia dónde se mueve el segmento alto del mercado.