CEO de ElevenLabs: La voz es la próxima interfaz para la IA
La voz como la próxima gran interfaz para la IA
El cofundador y CEO de ElevenLabs, Mati Staniszewski, afirma que la voz está emergiendo como la próxima gran interfaz para la IA, transformando fundamentalmente la forma en que las personas interactúan con las máquinas a medida que los modelos evolucionan más allá del texto y las pantallas.
Avanzando en la tecnología de voz
Hablando en el Web Summit en Doha, Staniszewski dijo a TechCrunch que los modelos de voz, como los desarrollados por ElevenLabs, han avanzado más allá de simplemente replicar el habla humana — incluyendo matices emocionales e entonación — para trabajar en armonía con las capacidades de razonamiento de los modelos de lenguaje de gran escala. Según él, esta evolución marca un cambio crucial en cómo las personas interactúan con la tecnología.
Mirando hacia el futuro, Staniszewski declaró: “Con suerte, todos nuestros teléfonos volverán a nuestros bolsillos y podremos sumergirnos en el mundo real que nos rodea, con la voz como el mecanismo que controla la tecnología.”
Impulsando el impulso de la industria
Esta visión respalda la reciente ronda de financiamiento de $500 millones de ElevenLabs con una valoración de $11 mil millones. El concepto de la voz como interfaz principal está ganando terreno en toda la industria de la IA. Empresas como OpenAI y Google han puesto un énfasis significativo en la voz en sus modelos de próxima generación, mientras que Apple está avanzando silenciosamente en tecnologías relacionadas con la voz y siempre activas a través de adquisiciones como Q.ai. A medida que la IA se extiende a dispositivos portátiles, vehículos y otros equipos, los mecanismos de control están cambiando de la interacción basada en pantallas a sistemas impulsados por voz, posicionando la voz como un campo de batalla crítico para la próxima ola de innovación en IA.
Cambiando los paradigmas de interacción
En el escenario del Web Summit, el socio general de Iconiq Capital, Seth Pierrepont, coincidió con esta perspectiva, enfatizando que, si bien las pantallas seguirán siendo relevantes para los juegos y el entretenimiento, los métodos de entrada tradicionales como los teclados son cada vez más percibidos como “obsoletos.”
Pierrepont también señaló que, a medida que los sistemas de IA se vuelven más autónomos, la naturaleza de la interacción evolucionará. Los modelos futuros incorporarán límites, integraciones y conciencia contextual, permitiéndoles responder con un mínimo de indicaciones explícitas por parte del usuario.
El papel de la memoria persistente y el contexto
Staniszewski destacó este cambio hacia la autonomía como uno de los más significativos en curso. Explicó que, en lugar de requerir que los usuarios detallen explícitamente cada instrucción, los sistemas de voz futuros aprovecharán la memoria persistente y el contexto acumulado para interacciones más naturales y sin esfuerzo.
Este cambio, agregó, influirá en cómo se despliegan los modelos de voz. Si bien los modelos de audio de alta calidad han dependido históricamente del procesamiento basado en la nube, ElevenLabs está avanzando hacia un enfoque híbrido que combina procesamiento en la nube y en el dispositivo. Esta estrategia tiene como objetivo respaldar el hardware emergente, como auriculares y otros dispositivos portátiles, donde la voz se convierte en un compañero constante en lugar de una característica ocasional.
Ampliando asociaciones y aplicaciones
ElevenLabs ya está colaborando con Meta para integrar su tecnología de voz en productos como Instagram y Horizon Worlds, la plataforma de realidad virtual de Meta. Staniszewski también expresó interés en trabajar con Meta en sus gafas inteligentes Ray-Ban, a medida que las interfaces impulsadas por voz se expanden a nuevas formas.
Preocupaciones sobre privacidad y ética
A medida que la tecnología de voz se vuelve más omnipresente y se integra en hardware de uso diario, plantea preocupaciones significativas en torno a la privacidad, la vigilancia y el manejo de datos personales. La proximidad de los sistemas basados en voz a la vida de los usuarios amplifica estos riesgos, particularmente dadas las acusaciones existentes contra empresas como Google por el mal uso de dichos datos.
