Nuance Labs lanza Emma, un avatar que asiente y reacciona mientras usted todavía habla

Casi cualquier avatar de vídeo con el que haya hablado funciona como un walkie-talkie. Usted habla, el sistema espera al silencio, transcribe el habla, envía el texto a un modelo de lenguaje, locuta la respuesta y solo después un modelo aparte mueve los labios. En este esquema es inevitable un retraso de 1,5–3 segundos. Mientras el avatar «piensa», mira al vacío y la sensación de conversación desaparece.

Nuance Labs, una startup estadounidense de antiguos investigadores de Apple, intenta eliminar el propio walkie-talkie. Esta semana la compañía presentó el modelo audiovisual base Nuplex 1.0 y lanzó el avatar Emma.

Qué cambió en la arquitectura

En lugar de una cadena de cuatro modelos, Nuplex es una única red neuronal de extremo a extremo. Percibe y genera sonido y vídeo conjuntamente. El sistema lee de forma continua el tono de voz, las pausas y las dudas del interlocutor y transmite en paralelo el habla y la expresión facial.

En la industria esto se llama dúplex completo: se puede escuchar y hablar a la vez, como en una conversación real. Antes esto se veía sobre todo en modelos de voz; aquí se le ha añadido un rostro.

Cómo se ve en un ejemplo

Imagine que le cuenta a Emma un problema con un pedido. Con un avatar normal, usted habla al vacío hasta que se calla. Emma asiente, cambia la expresión de la cara y emite señales de escucha activa como «aja» y «entiendo». Todo esto ocurre durante su intervención, no después. Para servicios de soporte, formación, onboarding y interlocutores virtuales, es la diferencia entre «hablo con un formulario» y «hablo con una persona».

Según el benchmark ciego interno de Nuance Labs con 1785 preguntas de prueba, Nuplex igualó la velocidad de reacción de una persona real en el 89 % de los casos. La cifra es interesante, pero es una prueba de la propia compañía. Conviene comprobar por su cuenta la metodología y la comparación con la competencia.

Acceso y medidas de seguridad

Emma está abierta en la web sin registro ni cuenta, así que se puede evaluar la calidad en un par de minutos. Los desarrolladores recibieron acceso anticipado a la API Nuplex Live. La compañía no indica en el anuncio precios, límites ni la latencia exacta.

El lanzamiento viene acompañado de restricciones:

• el aspecto de Emma tiene licencia de una actriz real;
• los flujos se marcan con marcas de agua obligatorias;
• está bloqueada la clonación directa de rostros y voces de terceros.

Para las empresas es una ventaja en términos de riesgos, pero también una limitación: por ahora no se puede crear con esta API un «gemelo digital» de un empleado ni un embajador de marca.

Qué hacer con esto

Si está construyendo un agente de voz o de vídeo, lo útil de esta noticia es la propia idea. El principal problema del diálogo en vivo no es la calidad de la imagen, sino el timing: cuándo intervenir, cuándo callar, cuándo asentir. Una cascada de STT, LLM y TTS lo dificulta estructuralmente, porque cada etapa espera a la anterior.

El plan práctico es este:

• abrir Emma y comprobar cómo se comporta ante interrupciones, pausas y habla titubeante;
• comparar la sensación de la conversación con su stack en cascada actual;
• solicitar acceso a la Live API si tiene un escenario en el que importa la naturalidad y no solo la precisión de las respuestas.

Quedan preguntas a las que el anuncio no responde. ¿Cuán inteligente es la «cabeza» del avatar en tareas complejas? ¿Cómo mantiene el modelo el contexto en una conversación larga? ¿Cuánto cuesta un minuto de streaming? Los modelos de extremo a extremo suelen ganar en naturalidad, pero pierden frente a las cascadas en controlabilidad: es más difícil conectar herramientas, bases de conocimiento y guiones rígidos. Por ahora es una demostración sólida de una dirección, no un reemplazo listo para todo el stack. Pero la dirección está clara: los avatares dejan de ser chatbots con voz y se convierten en interlocutores.