Comparación de modelos de IA de voz
Modelos de voz full-duplex y speech-to-speech comparados en arquitectura, alojamiento, pesos abiertos, disponibilidad y seguridad. Incluye Block Dessa.
Abrir la herramienta →La herramienta interactiva se abre en inglés.
Una comparación lado a lado, centrada en la seguridad, de los modelos de voz full-duplex y speech-to-speech sobre los que ya preguntan a los equipos de seguridad y gobierno: Block Dessa, OpenAI Realtime (Advanced Voice), Kyutai Moshi, Sesame CSM, Hume EVI, ElevenLabs Conversational y Google Gemini Live. Los comparas en arquitectura (speech-to-speech nativo frente a la cascada STT→LLM→TTS), soporte full-duplex, alojamiento (local o en la nube), pesos abiertos y disponibilidad (GA, preview o solo investigación), con una nota relevante para la seguridad sobre cada uno, porque dónde se procesa el audio decide adónde van tus datos. Block anunció Dessa el 2026-10-23 como una research preview speech-to-speech y full-duplex que funciona en local en un MacBook M4 Max y se entrenó solo con voz, sin pesos públicos, API, paper ni benchmarks por ahora, así que sus afirmaciones son de Block y no están verificadas. Los datos son los declarados por cada fabricante a octubre de 2026 y cambian constantemente. Funciona en tu navegador, no captura audio ni sube nada. Es una herramienta Pro.
- Recorre la tabla de los siete modelos de voz y sus columnas de arquitectura, full-duplex, alojamiento, pesos abiertos y disponibilidad.
- Filtra por si el modelo puede ejecutarse en local, tiene pesos abiertos o está disponible de forma general.
- Lee la nota de seguridad de cada modelo: adónde va el audio y qué se puede auditar.
- Verifica los datos con la documentación actual de cada fabricante antes de decidir.
Preguntas frecuentes
¿Qué es un modelo de IA de voz speech-to-speech (full-duplex)?
Un modelo speech-to-speech procesa y genera audio directamente, sin un paso intermedio de voz a texto. «Full-duplex» significa que puede escuchar y hablar a la vez: se le puede interrumpir a mitad de frase y gestiona pausas y solapamientos naturales, en lugar de hablar por turnos estrictos. Esto contrasta con el enfoque más antiguo en cascada, que encadena voz a texto, un LLM de texto y texto a voz. El speech-to-speech full-duplex se siente más como una conversación natural; la cascada es más fácil de filtrar y auditar porque expone una transcripción de texto en medio.
¿Qué es Block Dessa y qué se sabe realmente de él?
Dessa es un modelo de IA de voz anunciado por Block (la fintech de Jack Dorsey) el 2026-10-23. Block lo describe como un modelo speech-to-speech y full-duplex que procesa y genera audio directamente sin paso de voz a texto, puede interrumpir y gestionar pausas, funciona en local en un MacBook M4 Max y se entrenó solo con voz, sin texto y sin modelos preentrenados. Es una research preview con acceso anticipado limitado a investigadores de seguridad de la IA. A octubre de 2026 no hay pesos públicos, API, paper ni benchmarks publicados, así que todas sus características de rendimiento son afirmaciones de Block sin verificar. Trátalo así hasta que aparezca evidencia independiente.
¿Qué modelos de IA de voz pueden ejecutarse en local y cuáles en la nube?
Las opciones locales o autoalojables permiten que el audio se quede en el dispositivo o dentro de tu red. Block afirma que Dessa funciona en local en un MacBook M4 Max (research preview). Kyutai Moshi se publica de forma abierta y puede autoalojarse. Sesame ha abierto algunos componentes. OpenAI Realtime / Advanced Voice, Hume EVI, ElevenLabs Conversational y Google Gemini Live son API en la nube, en las que el audio y cualquier transcripción salen de tu organización hacia un tercero con el que debes tener condiciones de datos. Usa el filtro «puede ejecutarse en local» de la herramienta para quedarte con los candidatos en el dispositivo o autoalojados.
¿Por qué importa la arquitectura para la seguridad?
Dónde se ejecuta el modelo y cómo está construido deciden adónde va tu audio y qué se puede inspeccionar. Una API en la nube significa que el audio y las transcripciones salen de tu entorno, así que mandan las condiciones de residencia de datos, retención y consentimiento de grabación. Una cascada (STT→LLM→TTS) tiene más componentes, y por tanto más puntos donde el audio se transcribe y se registra, pero su texto intermedio es más fácil de filtrar y auditar. Un modelo speech-to-speech nativo no tiene punto de control de texto, así que las defensas contra la inyección de prompts y el jailbreak deben funcionar directamente sobre el audio. Ninguno es «el más seguro»; la elección correcta depende de tus necesidades de residencia de datos, tu capacidad para operar los controles y tu modelo de amenazas.
¿Esta comparación se conecta a algún servicio o captura audio?
No. Es una tabla comparativa estática en el navegador que puedes filtrar. No hace llamadas de red, no captura audio y no recibe ninguna entrada. Todos los datos mostrados son los declarados por los fabricantes a octubre de 2026 y pueden estar desactualizados: verifícalos con la documentación actual de cada fabricante antes de basarte en ellos.
¿Es gratis?
No, es una herramienta Pro. Con una cuenta gratuita tienes 3 usos de prueba; después necesitas Pro.