Adventists AI presenta Sophon, un modelo de voz que promete responder en 0,31 segundos

Llamas a un asistente de voz, empiezas a corregir una dirección y el sistema sigue leyendo su respuesta anterior. Para el usuario, son varios segundos de frustración. Para el equipo de producto, es un motivo para comprobar si el sistema puede escuchar mientras habla. Adventists AI ha presentado el modelo abierto Sophon-Realtime-v1 precisamente con esta capacidad: se puede interrumpir al asistente y continuar la conversación. Para la versión rápida, Flash, sus creadores anuncian un tiempo hasta el primer audio de 0,31 segundos.

La propuesta tiene interés práctico para los equipos de soporte, los desarrolladores de interfaces de voz y los fundadores de servicios con bots telefónicos. Pero es pronto para elegir un modelo a partir de una sola cifra de latencia: primero hay que entender qué sucede ante las pausas, las aclaraciones y los errores.

Cómo decide el asistente cuándo hablar

Sophon admite comunicación full-duplex: escucha y habla al mismo tiempo. La familia se basa en un modelo de 32.000 millones de parámetros. Según los desarrolladores, distingue entre una intervención terminada, la continuación del discurso, una reacción breve del interlocutor y una pausa para pensar. Prepara un borrador de respuesta por adelantado; si la persona sigue hablando, el sistema lo descarta.

Imaginemos un pedido a domicilio. El cliente dice: «Entréguenlo mañana... mmm, mejor pasado mañana». Al probar un asistente así, es importante comprobar que espera a la corrección y confirma el día adecuado. Si el bot ya ha empezado a responder y el cliente añade «después de las seis», la conversación también debe incorporar esa aclaración. Este es un ejemplo de escenario de prueba, no un resultado confirmado del funcionamiento de Sophon.

Sus creadores también afirman que DuplexJev permite reconocer la entonación, las risas, los suspiros y el sarcasmo. Para un equipo de producto, esto exige probar por separado las frases ambiguas. «Pues qué bien» puede expresar satisfacción o irritación. Sin embargo, la capacidad de identificar el tono no demuestra por sí sola que el asistente vaya a elegir correctamente la siguiente acción.

Tres versiones con distintas concesiones

La variante Tag prioriza la expresividad: el modelo anota la respuesta y un módulo de voz independiente reproduce risas, suspiros y énfasis. Flash utiliza una síntesis de voz más rápida. La tercera versión, E2E, se ha publicado como versión preliminar y está destinada a experimentar con la generación de voz dentro de la arquitectura común.

El material original indica aproximadamente 0,6 segundos hasta el primer audio y 16 usuarios simultáneos para Tag, frente a 0,31 segundos y 40 usuarios para Flash. Una precisión importante del repositorio del proyecto: los creadores midieron la latencia y la carga en una H100 con 80 GB de memoria. Estas cifras no se pueden extrapolar automáticamente a cualquier GPU con esa cantidad de memoria.

La elección entre versiones debe depender de la tarea. Para un personaje o una herramienta de práctica de conversación, la expresividad puede resultar útil. Para una llamada breve destinada a consultar el estado de un pedido, es más importante comprobar la velocidad, la inteligibilidad y la correcta ejecución de las acciones. La risa del asistente no compensa un error en la dirección.

Qué comprobar antes de integrarlo en un producto

Conviene empezar con un pequeño conjunto de conversaciones propias: una persona interrumpe al bot, se toma mucho tiempo para pensar, cambia de opinión o habla con ruido de fondo. También hacen falta pruebas específicas de los idiomas y acentos de tu público. Los resultados presentados no permiten sacar conclusiones sobre la calidad del habla en ruso.

Mide el tiempo desde el final de la intervención del usuario hasta el primer audio, la rapidez con la que el bot se detiene al ser interrumpido y la proporción de conversaciones en las que conserva correctamente una aclaración. Haz estas pruebas con la carga prevista. Emitir el primer audio rápidamente sirve de poco si después la respuesta se bloquea o el sistema pierde el contexto tras una intervención del usuario.

Los escenarios que implican acciones requieren otro conjunto de comprobaciones: si el asistente llama correctamente a las herramientas y confirma el resultado. El 48% de Pass@1 indicado en el material para la prueba de llamadas a herramientas no justifica confiarle operaciones sin verificación. Lo razonable es empezar probando la consulta de estados y la preparación de acciones, y después evaluar escenarios más complejos.

Sophon merece atención como candidato para un prototipo de servicio de voz. La decisión de implantarlo debe basarse en tus grabaciones de conversaciones, el coste operativo y el número de tareas resueltas con éxito. Las comparativas publicadas por sus creadores ayudan a diseñar un programa de pruebas; tendrás que comprobar por tu cuenta si está listo para atender a clientes.