Amazon Nova Sonic ha sido anunciado como el nuevo modelo de base de la compañía que fusiona la comprensión y generación de voz en una sola solución. Disponible a través de una API en Amazon Bedrock (plataforma que facilita la creación y el despliegue de aplicaciones de inteligencia artificial generativa mediante modelos preentrenados), este modelo promete facilitar el desarrollo de aplicaciones de voz, como la automatización del servicio de atención al cliente o los agentes de inteligencia artificial (IA), cubriendo una amplia gama de sectores, entre ellos viajes, educación, salud, entretenimiento, entre otros. Este avance busca proporcionar conversaciones más naturales y humanas en el ámbito de la IA.
En el pasado, la creación de aplicaciones de voz requería una compleja orquestación de modelos distintos: reconocimiento de voz para convertir el habla en texto, modelos de lenguaje grandes (LLMs) para entender y generar respuestas, y texto a voz para devolver el texto como audio. Este enfoque fragmentado no solo incrementaba la complejidad del desarrollo, sino que también no lograba preservar los matices acústicos esenciales, como el tono, la prosodia y el estilo de habla, que son fundamentales para mantener conversaciones naturales.
Con Nova Sonic, Amazon opta por una solución que integra tanto la comprensión como la generación en un solo modelo. Esta unificación permite adaptar las respuestas generadas al contexto acústico de la conversación (por ejemplo, tono y estilo), resultando en un diálogo más fluido y natural. Además, el modelo es capaz de entender los matices de la conversación humana, como las pausas naturales o las vacilaciones del hablante, y responder en el momento adecuado, incluso manejando de manera efectiva las interrupciones en la conversación.
Imaginemos una conversación con un asistente virtual sobre un viaje a Hawái. Cuando el tono del cliente cambia de entusiasmo a preocupación por los costes, el modelo ajusta su tono para ser más tranquilizador, proporcionando información relevante sobre precios. Esta capacidad de adaptarse al contexto emocional del usuario es una de las principales ventajas de Nova Sonic. Además, genera una transcripción de la conversación que los desarrolladores pueden usar para hacer llamadas a herramientas y APIs específicas, como en este caso de un agente de viajes impulsado por IA que puede reservar vuelos accediendo a información actualizada sobre vuelos.
Otro ejemplo aportado por Amazon de cómo Nova Sonic mejora la interacción humana con la tecnología es su uso en asistentes empresariales. En este caso, un asistente de panel de control puede mostrar cómo las empresas pueden beneficiarse de la capacidad del modelo para contextualizar respuestas basadas en datos específicos de la compañía. El asistente puede extraer informes, compartir datos precisos en un tono conversacional y, además, hacer preguntas relevantes de seguimiento de manera fluida, sin necesidad de que el usuario dé contextos explícitos. Este enfoque facilita la creación de diálogos multi-turno, lo que permite interacciones más dinámicas y naturales.
Imagen: Flux Schnell
No se han encontrado artículos relacionados.
Your email address will not be published. Required fields are marked *
Δ