Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)

Inworld publica en código abierto Voice Isolator: el modelo limpia la voz de ruido en tiempo real

Grabaciones de entrevistas, llamadas desde una cafetería o agentes de voz en una calle ruidosa: en todos estos casos molestan otras voces, la música y el eco. Inworld ha publicado en código abierto el modelo Voice Isolator, que divide el audio en dos pistas: la voz limpia y todo lo demás. Funciona en tiempo real a 48 kHz y conserva incluso la respiración del hablante. Se entrenó con 10.000 horas de habla. Para los productos de voz, es un bloque de preprocesamiento listo para usar que conviene probar con las propias grabaciones.

Procesado por IA desde TG: @notboring_tech (Not Boring Tech); editado por Hamidun News
Inworld publica en código abierto Voice Isolator: el modelo limpia la voz de ruido en tiempo real
Fuente: TG: @notboring_tech (Not Boring Tech). Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalTG: @notboring_tech (Not Boring Tech) ↗
Editor jefe
Separa el audio en voz y restomúsica, ruido, eco y otras voces
Dato clave #2Frecuencia de trabajo de 48 kHz, con procesamiento en tiempo real
Dato clave #3El código está publicado en GitHub, en el repositorio inworld-ai/voice-isolator

Cualquiera que haya desarrollado un producto de voz conoce este problema: en el laboratorio todo funciona a la perfección, pero en la vida real el usuario habla desde una cafetería, un coche o una oficina donde hay gente comentando sus asuntos a su alrededor. El reconocimiento de voz empieza a confundir palabras, la síntesis y la clonación de voz reciben una muestra sucia y un podcast o una entrevista hay que limpiarlos a mano durante mucho tiempo. Ahora los desarrolladores tienen una herramienta abierta más para esta tarea: Inworld ha publicado en código abierto el modelo Voice Isolator.

Qué sabe hacer el modelo

La idea es sencilla: a la entrada entra una grabación normal y a la salida salen dos pistas. La primera contiene solo la voz del hablante. La segunda, todo lo demás: música, ruido, eco y voces ajenas. Este enfoque resulta práctico porque no hace falta saber de antemano qué ruido molesta. Las conversaciones de fondo, la lista de reproducción que suena en la cafetería y el zumbido del aire acondicionado acaban en la misma pista de «resto».

Según describen los autores, el modelo conserva no solo las palabras, sino también el carácter de la grabación original, incluida la respiración. Es un detalle importante. Muchos supresores de ruido «esterilizan» notablemente la voz: eliminan las inspiraciones y las pausas, y la voz suena como si saliera de una lata. Para locuciones, podcasts y asistentes de voz, la respiración natural hace que el sonido resulte más natural.

El modelo funciona en tiempo real a una frecuencia de muestreo de 48 kHz, es decir, con calidad de estudio, suficiente para música y habla profesional. La telefonía convencional trabaja entre 8 y 16 kHz. El procesamiento en tiempo real significa que el modelo puede integrarse en una llamada o un directo en vivo, y no solo aplicarse a archivos ya grabados. Se entrenó con 10.000 horas de habla.

Dónde resultará útil en la práctica

El primer escenario evidente son los agentes de voz. Si un bot atiende llamadas o se comunica a través de un micrófono en un entorno ruidoso, una pista limpia a la entrada suele mejorar el reconocimiento de voz. Cuantas menos voces ajenas oiga el sistema, menos probable es que tome la réplica de un vecino por una orden del usuario.

El segundo escenario es la preparación de datos. Quienes reúnen muestras de voz para síntesis o clonación necesitan grabaciones limpias. Antes había que elegir entre servicios en la nube de pago y canalizaciones complicadas. Un modelo abierto permite procesar el archivo en local sin enviar las grabaciones a terceros, algo especialmente valioso cuando las grabaciones contienen datos personales ajenos.

El tercero es el trabajo con contenido: entrevistas, vídeos, directos y podcasts. Separar la voz de la música o el ruido se ha vuelto más sencillo y ya no hace falta contratar un servicio aparte para una sola operación.

Lo que aún no se sabe

El mensaje original no incluye comparativas. No sabemos si el modelo supera o queda por detrás de otras soluciones abiertas y comerciales, cómo se comporta con ruido intenso, con habla superpuesta de dos personas o con acentos. Tampoco se indican los requisitos de hardware, la latencia en procesadores y tarjetas gráficas convencionales, ni las condiciones de la licencia. Para producción, estos parámetros son críticos.

La afirmación de que «funciona en tiempo real» también conviene comprobarla en el propio equipo. El modelo puede cumplir el tiempo real en una tarjeta gráfica potente y no llegar en un portátil modesto o en un dispositivo móvil.

Qué debería hacer un desarrollador

Un plan práctico: descargar el repositorio inworld-ai/voice-isolator de GitHub, leer la licencia y procesar entre 20 y 30 grabaciones propias y reales: en la calle, desde un coche, en una oficina diáfana. Después, comparar el resultado del reconocimiento de voz con y sin limpieza. Si los errores en las palabras se reducen de forma notable y la voz no suena artificial, el modelo puede integrarse como primer paso del procesamiento. Si no, se habrán invertido un par de horas en la prueba y se sabrá antes de iniciar la integración.

El propio lanzamiento muestra que las herramientas abiertas para trabajar con audio avanzan con rapidez frente a las API comerciales de pago en la nube. Para los equipos que desarrollan productos de voz, es una razón más para mantener el preprocesamiento de audio bajo control propio.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Qué sabe hacer el modelo?

La idea es sencilla: a la entrada entra una grabación normal y a la salida salen dos pistas. La primera contiene solo la voz del hablante. La segunda, todo lo demás: música, ruido, eco y voces ajenas. Este enfoque resulta práctico porque no hace falta saber de antemano qué ruido molesta. Las conversaciones de fondo, la lista de reproducción que suena en la cafetería y el zumbido del aire acondicionado acaban en la misma pista de «resto».

Dónde resultará útil en la práctica?

El primer escenario evidente son los agentes de voz. Si un bot atiende llamadas o se comunica a través de un micrófono en un entorno ruidoso, una pista limpia a la entrada suele mejorar el reconocimiento de voz. Cuantas menos voces ajenas oiga el sistema, menos probable es que tome la réplica de un vecino por una orden del usuario. El segundo escenario es la preparación de datos. Quienes reúnen muestras de voz para síntesis o clonación necesitan grabaciones limpias.

¿Qué se sabe sobre Lo que aún no se sabe?

El mensaje original no incluye comparativas. No sabemos si el modelo supera o queda por detrás de otras soluciones abiertas y comerciales, cómo se comporta con ruido intenso, con habla superpuesta de dos personas o con acentos. Tampoco se indican los requisitos de hardware, la latencia en procesadores y tarjetas gráficas convencionales, ni las condiciones de la licencia. Para producción, estos parámetros son críticos. La afirmación de que «funciona en tiempo real» también conviene comprobarla en el propio equipo.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
¿Qué te parece?
Cargando comentarios…