MWS elimina el ruido de las llamadas en la propia red del operador: 20 ms para procesar el audio
MWS presentó en un meetup un sistema que elimina el ruido de fondo de las llamadas en la propia red del operador: no requiere aplicaciones ni funciones específicas del teléfono. Dispone de unos 20 ms para procesar cada paquete de voz; si supera ese tiempo, aparecen chasquidos y cortes. También se presentaron agentes de IA que contrastan los documentos de arquitectura con el código real y un «Mapa de hipótesis» para validar ideas de negocio.
Procesado por IA desde Habr AI; editado por Hamidun News
La frase «conectamos una red neuronal» suena sencilla hasta que aparecen los límites de milisegundos, tokens y un objetivo mal definido. En el undécimo meetup de MWS, tres ponencias abordaron precisamente esos obstáculos: en las llamadas, en la documentación de arquitectura y en la planificación estratégica. Estas son las lecciones que pueden aprovechar quienes trabajan en estos ámbitos.
El ruido se elimina en la red, no en el teléfono
Maxim Maslennikov, Cluster lead Architect en MWS, presentó un sistema de supresión de ruido que funciona en la red del operador. No requiere aplicaciones ni la intervención del smartphone: limpia la voz antes de que llegue al interlocutor. La idea surgió tras un incidente en el metro, cuando el responsable de la empresa no pudo mantener una conversación en condiciones por el ruido.
Lo más difícil fue la implementación. En 2G y 3G, la voz viaja por un canal dedicado, y el equipo estudió la posibilidad de enrutar la llamada mediante un prefijo especial. En LTE, las llamadas pasan por IMS, es decir, viajan en paquetes IP. Ahí integraron un servicio multimedia propio por el que pasa el flujo de voz. No hace falta cambiar de número.
La principal limitación es el tiempo. Cada paquete debe recibirse, convertirse a un formato adecuado para la red neuronal, limpiarse y enviarse al siguiente destino en unos 20 ms. Si se supera ese plazo, los interlocutores oirán chasquidos y cortes. Además, el modelo trabaja con una conversación continua, no con grabaciones independientes, por lo que hubo que adaptarlo para que conservara el estado entre fragmentos.
Los modelos abiertos de mejora de voz disponibles no servían sin modificaciones. El equipo los entrenó de forma adicional con grabaciones de ruidos reales, incluido un compresor en funcionamiento. Para evitar consumir recursos de GPU en cada conversación, añadió un pequeño modelo supervisor: decide cuándo hace falta una limpieza más exigente y cuándo basta con un algoritmo ligero. También influye la geografía: cuanto más lejos esté el nodo de procesamiento del abonado, más difícil resulta cumplir el límite de latencia.
También hay inconvenientes: la voz cambia ligeramente tras el procesamiento, aunque sigue siendo inteligible. La solución ya está en producción, pero MWS no tiene previsto publicar los pesos de los modelos. El siguiente reto es reconstruir la voz que se pierde durante la transmisión por la red.
Agentes que ponen al día la documentación
Evgeny Artemyev, Stream lead Architect en MWS, mostró una herramienta que aborda un problema clásico: el código avanza y los documentos de arquitectura se quedan atrás. Los nuevos microservicios y los cambios en las API no se incorporan a la descripción del sistema, que deja de reflejar la realidad.
La herramienta recopila datos de repositorios, DevOps, Jira y Confluence. Un agente analiza los cambios y selecciona los materiales; otro los integra y prepara propuestas de actualización. Un orquestador dirige el trabajo y, antes de enviar los datos al modelo, una capa independiente elimina la información confidencial. El resultado son archivos YAML y Markdown que permiten buscar tecnologías obsoletas, consultar las relaciones entre sistemas y evaluar riesgos. El arquitecto decide qué cambios aplicar.
Lo más útil de la ponencia fue la comparación entre dos modos de funcionamiento. En el determinista, los desarrolladores definen de antemano los pasos y las herramientas. En el no determinista, el agente decide qué hacer. En un experimento con Claude, la segunda opción dio peores resultados: el modelo consumía más tokens, ejecutaba acciones innecesarias y respetaba peor la estructura. Por eso eligieron LangGraph, donde se definen las etapas y las transiciones permitidas, y varios agentes pueden trabajar en paralelo. La contrapartida fue una depuración más compleja: hay que seguir el estado de cada agente y guardar los resultados intermedios.
Otro escollo es revisar los datos antes de enviarlos al modelo. Puede hacerse con expresiones regulares o con un modelo clasificador. Sin embargo, en uno de los proyectos, el clasificador en CPU tardaba entre tres y cuatro segundos, frente a un límite de 500 ms.
«Mapa de hipótesis»: el objetivo sigue definiéndolo una persona
Alexander Byndyu presentó una metodología que vincula los objetivos de la empresa, sus recursos y las condiciones externas con sus apuestas estratégicas. Se basa en un análisis DAFO interconectado. Su tesis principal: acelerar operaciones concretas no garantiza el crecimiento del negocio. Redactar un correo en cinco minutos en vez de dos horas ahorra tiempo, pero no necesariamente aumenta los ingresos.
En un caso práctico, la IA elaboró un mapa a partir de un PDF breve y se acercó bastante a la realidad. Pero todo depende de cómo se formule el objetivo: un error en ese punto lleva a elegir métricas equivocadas, algo que se aprecia de inmediato al comparar el resultado con la referencia. En la segunda demostración, el modelo, equipado con habilidades de GitHub, planteó preguntas para aclarar la tarea y entregó un mapa con un prototipo de interfaz.
Se equivocó al identificar al sujeto del análisis y hubo que corregirlo manualmente. Cuando se comprobó que una de las tendencias no existía, se sustituyeron los datos y se obtuvo una nueva versión en unos diez minutos. Aquí, el valor del prototipo reside en la rapidez con la que permite obtener comentarios, no en la calidad de su implementación.
Las limitaciones se reconocen con claridad: algunas relaciones se configuran manualmente y el usuario debe conocer la metodología para orientar al modelo y evaluar sus respuestas.
Qué llevarse a la práctica
Para terminar, los participantes idearon servicios basados en tecnologías de MWS: un ayudante para gestores, un conserje de voz, un traductor y un asistente para conseguir contactar por teléfono con organismos públicos. En usos como dejar constancia de lo acordado, sigue abierta la cuestión de la validez jurídica del resultado.
Las conclusiones pueden resumirse en tres reglas. Para trabajar en tiempo real, calculen primero el presupuesto de latencia y el coste de GPU, y utilicen una cascada de modelos ligeros y pesados. Para los agentes, empiecen con un grafo rígido y flexibilícenlo solo donde esté justificado, midiendo de antemano el coste de las comprobaciones de protección. Para las tareas estratégicas, dediquen tiempo a formular el objetivo, porque de él depende la calidad de todo lo demás.
Una salvedad: este artículo resume las ponencias de los propios desarrolladores. No se aportan mediciones independientes sobre la calidad de la supresión de ruido ni sobre la precisión de los agentes.
- 12 nov 2026Jensen Huang deja el cargo de CEO de Nvidia: la empresa pierde 1,4 billones de dólares en dos semanas
- 12 nov 2026Claude in Chrome exige autorizar cada clic en los sitios de categoría 3
- 12 nov 2026AWS Quick incorpora seis agentes para product managers: de las quejas de los clientes a la especificación
- 12 nov 2026Anthropic cierra Claude desde el 12 de noviembre a las empresas de Rusia, incluso con entidad jurídica en el extranjero
Preguntas frecuentes sobre la noticia
¿Qué se sabe sobre El ruido se elimina en la red, no en el teléfono?
Maxim Maslennikov, Cluster lead Architect en MWS, presentó un sistema de supresión de ruido que funciona en la red del operador. No requiere aplicaciones ni la intervención del smartphone: limpia la voz antes de que llegue al interlocutor. La idea surgió tras un incidente en el metro, cuando el responsable de la empresa no pudo mantener una conversación en condiciones por el ruido. Lo más difícil fue la implementación.
¿Qué se sabe sobre Agentes que ponen al día la documentación?
Evgeny Artemyev, Stream lead Architect en MWS, mostró una herramienta que aborda un problema clásico: el código avanza y los documentos de arquitectura se quedan atrás. Los nuevos microservicios y los cambios en las API no se incorporan a la descripción del sistema, que deja de reflejar la realidad. La herramienta recopila datos de repositorios, DevOps, Jira y Confluence. Un agente analiza los cambios y selecciona los materiales; otro los integra y prepara propuestas de actualización.
¿Qué se sabe sobre «Mapa de hipótesis»: el objetivo sigue definiéndolo una persona?
Alexander Byndyu presentó una metodología que vincula los objetivos de la empresa, sus recursos y las condiciones externas con sus apuestas estratégicas. Se basa en un análisis DAFO interconectado. Su tesis principal: acelerar operaciones concretas no garantiza el crecimiento del negocio. Redactar un correo en cinco minutos en vez de dos horas ahorra tiempo, pero no necesariamente aumenta los ingresos. En un caso práctico, la IA elaboró un mapa a partir de un PDF breve y se acercó bastante a la realidad.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
Lo esencial de la IA — una vez por semana
Siete historias que de verdad importaron, elegidas a mano. Sin ruido ni notas de prensa.
¡Listo! Revisa tu correo para la confirmación.