ChatGPT Voice se actualiza para unificar funciones de texto, voz y trabajo agéntico, permitiendo gestionar herramientas como el correo y la agenda mediante comandos de voz en todas sus plataformas.

Google despliega Gemini 3.8 Flash TTS, nuevos modelos de IA capaces de crear o replicar voces utilizando tan solo un audio de 30 segundos.

Meta lanza Muse Voice Transcribe, una IA capaz de transcribir voz en tiempo real y distinguir hasta 20 voces diferentes en una sola grabación, disponible en su API y app para Mac.

Gemini para Mac se actualiza integrando controles por voz que permiten interactuar con cualquier ventana de la pantalla para mejorar la productividad sin cambiar de aplicación.

Google introduce una nueva función de personalización en Gemini que permite modificar cómo suena la IA para lograr una interacción mucho más humana.

OpenAI presenta GPT-Live, una nueva familia de modelos de voz basada en arquitectura dúplex completa que permite a la IA escuchar y hablar simultáneamente.

Google desarrolla una función de dictado por voz integrada en Chrome para Windows 11 que permitirá escribir texto hablando directamente al navegador.

OpenAI presenta GPT-Bidi-1, un nuevo modelo de voz con lenguaje humano diseñado para competir contra Gemini y Claude.

Amazon integra The Fork en Alexa+ para permitir la reserva de restaurantes mediante órdenes de voz en España.

Google presenta Gemini 3.5 Live Translate, una IA de traducción de voz a voz en tiempo real con soporte para más de 70 idiomas.

Los chatbots de IA con voz presentan vulnerabilidades que permiten a los ciberdelincuentes robar datos personales a través de canciones, podcasts o vídeos de TikTok.

La Dark Web comercializa servicios de Deepfake-as-a-Service, incluyendo clonación de voz en tiempo real, vídeos deepfake y kits de fraude completos, usados en ataques como suplantación de CEOs para transferencias millonarias (ej: 220.000€ en Reino Unido o 25M$ en Hong Kong). Aunque herramientas públicas como ElevenLabs o DeepFaceLab facilitan estos ataques, la Dark Web ofrece servicios "llave en mano" con soporte para llamadas y verificación de identidad. El vishing con deepfakes ha crecido un 1600%, y 1 de cada 4 personas ha recibido llamadas con voces sintéticas.

Transcribir audio a texto es cosa del pasado, ahora la tendencia son las traducciones voz a voz. DeepL ha dado el paso.

Google ha lanzado en secreto AI Edge Eloquent, una app de dictado con IA que mejora automáticamente el texto al transcribir el habla con estilo correcto.

Google ha lanzado Search Live, una herramienta de búsqueda conversacional en tiempo real que permite realizar consultas mediante voz y cámara, ahora disponible globalmente en todos los idiomas y regiones con Modo IA de Google Search.

Tres segundos de audio bastan para que la IA clone tu voz y los hackers la usen en estafas por WhatsApp o llamadas, engañando a tus contactos con mensajes falsos.

Google Meet incorpora traducción en tiempo real en su app para Android, facilitando conversaciones multilingües directamente desde el móvil.

VoxCPM de OpenBMB revoluciona el TTS eliminando la tokenización discreta con una arquitectura diffusion autoregresiva en espacio continuo, logrando naturalidad sin precedentes en prosodia y voice cloning con solo ~5 segundos de audio. Entrenado con 1.8M horas bilingües, ofrece calidad profesional (44.1kHz, 800M parámetros) y API accesible, marcando un cambio de paradigma en síntesis de voz.

 

 El equipo de Qwen de Alibaba Group ha demostrado gran valía a lo largo del año con lanzamientos como Qwen Image, y ahora vuelve a hacerlo con la publicación de dos modelos de IA que crean o clonan voces con prompts.

Google ha mejorado significativamente Gemini 2.5 Flash con Audio Native, logrando conversaciones de voz más fluidas y precisas, además de una mejor gestión del contexto en las interacciones.