# Meta AI lanza Spirit LM arquitectura multimodal abierta para voz y texto expresivos Source: TechNewsList (https://technewslist.com) Canonical URL: https://technewslist.com/es/article/meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-ni-es Section: AI (https://technewslist.com/es/ai) Author: TechNewsList Language: es Published: 2026-10-25T17:57:14.199+00:00 Updated: 2026-10-25T17:57:14.405553+00:00 > Meta Fundamental AI Research abre el código Spirit LM, un modelo básico multimodal expresivo que combina tokens de voz y texto para preservar el tono vocal, la emoción y el tono conversacional. ## TL;DR - Meta FAIR lanzó Spirit LM como un modelo básico de lenguaje multimodal de peso abierto. - El sistema entrelaza de forma nativa unidades de voz continuas con tokens de texto discretos. - Se publican dos versiones, Spirit LM Base y Spirit LM Expressive, para investigación abierta. ## Key points - Spirit LM supera la pérdida tradicional del tono emocional entrenando directamente en tokens conjuntos de voz y texto. - La variante expresiva modela el tono, el estilo de hablar y la inflexión vocal sin motores de conversión de texto a voz separados. - La arquitectura se basa en representaciones acústicas HuBERT y un transformador de texto previamente entrenado con 7 mil millones de parámetros. - Las evaluaciones de referencia muestran una naturalidad del habla, preservación de la voz y prosodia conversacional superiores. - Los pesos de modelos abiertos brindan a los investigadores herramientas transparentes para crear interfaces de IA conversacionales empáticas. ## Qué pasó El grupo Meta Fundamental AI Research anunció la publicación de código abierto de Spirit LM, una arquitectura de modelo básico diseñada para intercalar perfectamente audio hablado y texto escrito dentro de un marco de lenguaje generativo unificado. A diferencia de las interfaces de voz convencionales que desacoplan el procesamiento de voz en módulos dispares de transcripción de voz a texto, generación de texto y síntesis de texto a voz, Spirit LM procesa flujos de audio continuos y tokens de texto de forma nativa dentro de una única red troncal de transformador unificada. La versión de investigación incluye dos configuraciones de modelo distintas: Spirit LM Base y Spirit LM Expressive. La arquitectura base se centra en la transcripción fonética y la comprensión oral básica, mientras que el modelo expresivo incorpora fichas acústicas dedicadas que representan el tono vocal, el ritmo, el tono emocional y la intensidad vocal. Al abrir los puntos de control del modelo y el código de investigación, Meta proporciona a las comunidades científicas y de desarrollo de software acceso directo para inspeccionar, ajustar y evaluar modelos básicos de lenguaje hablado de un extremo a otro sin restricciones de API patentadas. El desarrollo marca un hito técnico importante en la investigación de fundamentos multimodales, al mover la inteligencia artificial conversacional más allá de la narración sintetizada robótica monótona hacia una generación de habla empática y consciente del contexto que responde naturalmente a las señales vocales humanas. ## Por qué importa Durante décadas, los asistentes de voz comerciales y los sistemas de inteligencia artificial conversacional han sufrido desconexiones expresivas causadas por tuberías arquitectónicas en cascada. Cuando una señal acústica del habla se transcribe a un texto escrito, los metadatos paralingüísticos críticos (como la ironía, la vacilación, la alegría, la tristeza y el énfasis) se eliminan antes de que el modelo del lenguaje procese la entrada. De manera similar, cuando el modelo de lenguaje genera texto, los motores de síntesis de voz posteriores deben fabricar prosodia vocal desde cero, produciendo frecuentemente una cadencia plana y artificial. Spirit LM elimina esta pérdida comunicativa al tratar los tokens de habla acústica como compañeros iguales de las palabras de vocabulario escrito. Al modelar conjuntamente ambas modalidades a lo largo de las capas de la red neuronal, el sistema puede detectar inflexiones emocionales sutiles en la voz de un hablante y generar respuestas habladas correspondientes que coincidan con el estado de ánimo conversacional apropiado. ![Perspectiva aérea del campus tecnológico de Menlo Park que alberga una infraestructura de clúster de IA a gran escala para el entrenamiento de modelos multimodales](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792950023878-bbf7kq-meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-night-inside-1-ea7d23c5de.webp) Este salto arquitectónico es especialmente significativo para los asistentes virtuales, los tutores digitales, la traducción accesible en tiempo real y las plataformas de atención al cliente. En lugar de depender de etiquetas emocionales rígidas o fragmentos de audio pregrabados, los desarrolladores ahora pueden crear agentes de voz que comuniquen naturalmente comodidad, urgencia, humor o contemplación basándose únicamente en representaciones lingüísticas multimodales aprendidas. ## Detalles técnicos La columna vertebral técnica de Spirit LM comienza con un transformador autorregresivo preentrenado de 7 mil millones de parámetros ampliado para manejar un vocabulario de múltiples tokens. Para convertir formas de onda de audio continuas en tokens discretos que un transformador puede procesar, Meta utiliza codificadores de unidades de voz acústicas HuBERT. El discurso se discretiza en tokens fonéticos discretos junto con representaciones cuantificadas de tono y volumen muestreadas en intervalos temporales regulares. En la arquitectura expresiva Spirit LM, cada frase hablada se tokeniza en tokens semánticos a nivel de palabra junto con unidades de estilo acústico. El modelo utiliza un plan de estudios de capacitación entrelazado que abarca conjuntos de datos de voz y texto emparejados a gran escala, archivos de audio no emparejados y corpus de texto masivos a escala web. Esto permite que el modelo realice tareas intermodales bidireccionales, incluida la traducción de voz a voz, la transcripción de voz a texto, la síntesis de texto a voz y la respuesta multimodal a preguntas habladas. ![Espectrograma de voz acústica y visualización de formas de onda que demuestran la tokenización fonética y de tono utilizada en Spirit LM](https://rkhynbcsbnkkcwgexzwg.supabase.co/storage/v1/object/public/media/api/1792950026116-u0lhb8-meta-ai-releases-spirit-lm-open-multimodal-model-expressive-spe-2026-10-25-night-inside-2-5b1bbb20c2.webp) Durante rigurosas evaluaciones de escucha humana, Spirit LM Expressive demostró una marcada superioridad sobre los modelos de habla de código abierto existentes en cuanto a naturalidad vocal, consistencia de tono y adecuación emocional. Las evaluaciones de referencia sobre la comprensión intermodal demostraron que la representación entrelazada preservaba la identidad del hablante y al mismo tiempo mantenía la generalización de tareas de tiro cero a través de voces invisibles. ## Impacto en el mercado / la industria El lanzamiento de código abierto de Spirit LM desafía directamente los sistemas de voz multimodal patentados desarrollados por rivales de la industria, incluidos OpenAI Advanced Voice Mode y los motores de voz Google Gemini Live. Mientras que los hiperescaladores comerciales restringen sus modelos de voz detrás de API de nube protegidas con precios de token medidos, la estrategia continua de Meta de lanzamientos de modelos abiertos proporciona a los desarrolladores empresariales acceso sin trabas para implementar modelos en infraestructura privada. Este paradigma de pesos abiertos crea un terreno fértil para las nuevas empresas de inteligencia artificial de voz que requieren una profunda personalización del dominio, como asistentes de telesalud de atención médica, sistemas de información y entretenimiento en vehículos y personajes no jugadores de videojuegos interactivos. Los equipos de desarrollo pueden ajustar Spirit LM en conjuntos de datos conversacionales propietarios sin enviar grabaciones de voz confidenciales a servidores externos de terceros. Al mismo tiempo, el comunicado intensifica el escrutinio en torno a la generación de voz sintética y la seguridad biométrica. A medida que la síntesis de voz se vuelve cada vez más expresiva y difícil de distinguir del habla humana genuina, las instituciones financieras y las plataformas de verificación digital deben acelerar la implementación de marcas de agua criptográficas de voz y detección de vida multimodal. ## Qué observar ahora De cara al futuro, los investigadores empresariales evaluarán la eficacia con la que se puede optimizar Spirit LM para la implementación perimetral en tiempo real en procesadores móviles y plataformas informáticas automotrices. La arquitectura actual de 7 mil millones de parámetros exige una cantidad significativa de memoria de GPU, lo que crea incentivos para la cuantificación, la poda y las variantes ligeras destiladas. Los observadores de la industria también están esperando adaptaciones comunitarias de Spirit LM en conjuntos de datos multilingües, ya que la capacitación inicial se concentró predominantemente en muestras de habla en inglés. A medida que los contribuyentes de código abierto amplían el proceso de tokenización acústica a diversos idiomas y acentos globales, los modelos multimodales entrelazados están preparados para redefinir la arquitectura estándar de la comunicación de voz entre humanos y máquinas. ## Fuentes - [Publicaciones de investigación sobre meta IA](https://ai.meta.com/research/publications/spirit-lm-interleaved-spoken-and-written-language-model/) - [Escritorio de inteligencia artificial VentureBeat](https://venturebeat.com/ai/meta-open-sources-spirit-lm-multimodal-speech-model/) - [Cobertura de nube empresarial SiliconANGLE](https://siliconangle.com/2024/10/18/meta-open-sources-spirit-lm-ai-model-combines-speech-text/) Mentions: Meta FAIR, Spirit LM, Multimodal Speech Model, Acoustic Tokenization, HuBERT ## Sources - [Publicaciones de investigación sobre meta IA](https://ai.meta.com/research/publications/spirit-lm-interleaved-spoken-and-written-language-model/) - [Escritorio de inteligencia artificial VentureBeat](https://venturebeat.com/ai/meta-open-sources-spirit-lm-multimodal-speech-model/) - [Cobertura de nube empresarial SiliconANGLE](https://siliconangle.com/2024/10/18/meta-open-sources-spirit-lm-ai-model-combines-speech-text/)