Construir una voz: hablar, comprender, responder
Cuando hablas con XNeuronal, todo parece instantáneo. Detrás, tres etapas distintas se turnan para transformar tu voz en una respuesta, y una elección de arquitectura que asumimos plenamente.
Tres etapas: escuchar, pensar, hablar
El recorrido de una frase siempre sigue el mismo camino. Primero la transcripción (STT): el audio se convierte en texto. Luego el razonamiento: un modelo de lenguaje comprende la intención, organiza las neuronas, decide qué responder. Finalmente la síntesis (TTS): el texto vuelve a ser una voz. Cada etapa es un servicio independiente, reemplazable sin afectar a los demás. Esta modularidad no es un lujo: nos permite cambiar de proveedor cuando aparece uno mejor, sin reescribir el producto.
Siempre una red de seguridad
Un servicio externo puede ir lento, saturarse o caerse. Por eso hemos diseñado cada etapa en cascada: si el motor principal falla, un motor de respaldo toma el relevo sin que el usuario se dé cuenta. La transcripción cambia de un proveedor a otro, la síntesis recurre a una voz del mismo género. El objetivo es simple: un fallo de un proveedor nunca debe convertirse en un fallo del asistente.
Por qué el push-to-talk, y no la interrupción
Podríamos haber apuntado desde el principio a la conversación continua, donde la IA te interrumpe y responde antes de que termines tu frase. Hemos elegido lo contrario: una simple pulsación para hablar, una liberación para escuchar. Esto no es falta de ambición, es un cálculo. El mercado de la voz en tiempo real cambia cada mes; precodificar hoy el dúplex completo para un proveedor es escribir código muerto en seis meses. Es mejor una base sobria y sólida, lista para acoger esta elección en el momento adecuado.
La latencia que aceptamos, la que rechazamos
Todo el desafío está ahí: qué espera es tolerable. Uno o dos segundos para una respuesta reflexiva es aceptable; incluso es tranquilizador, ya que indica que el asistente piensa. Lo que rechazamos es la espera sufrida: un fallo silencioso, una voz que nunca llega. La sobriedad del pipeline es precisamente lo que nos permite controlar esta frontera.