Novedades en generación y edición de imágenes, vídeo, voz y música.
24 publicaciones
Block ha lanzado Dessa, un modelo de inteligencia artificial de voz a voz entrenado exclusivamente con audio de conversaciones humanas. A diferencia de los sistemas tradicionales que transcriben el habla a texto, Dessa opera en modo dúplex completo, procesando entradas y salidas de audio directamente para gestionar interrupciones, pausas y matices emocionales en tiempo real.
Canva ha lanzado Craft, su primer modelo de generación de imágenes desarrollado internamente. A diferencia de los modelos generalistas, Craft utiliza una arquitectura de dos etapas que planifica la composición y la tipografía antes de renderizar, permitiendo generar diseños editables directamente en la plataforma.
Cuatro modelos de NVIDIA se han hecho públicos el 20 de octubre de 2026: dos sistemas de embeddings, un reranker multimodal y un modelo de edición de imagen para inspección de placas. Todos operan bajo la licencia OpenMDW 1.1 y requieren infraestructura propia.
El 20 de octubre de 2026, Mistral AI presentó cuatro modelos de audio: Voxtral Small Transcribe 3, Voxtral Mini Transcribe 3, Voxtral Mini Transcribe Realtime 3 y Voxtral TTS 3. La nueva generación ofrece transcripción con diarización, soporte multilingüe y síntesis de voz con clonación, disponible en vista previa pública a través de su API.
Un preprint presenta un método que conecta un codificador de voz con un LLM congelado para responder preguntas cerradas mediante distribuciones sobre opciones, reduciendo la latencia en agentes de voz a tiempo real.
Nemotron 3.5 Super VL se plantea para interpretar documentos, gráficos, imágenes y vídeo y apoyar tareas prolongadas con herramientas. La información disponible confirma el lanzamiento y la escala del modelo, pero no basta para establecer su rendimiento independiente ni cuánto hardware NVIDIA requiere cada despliegue.
El nuevo modelo combina razonamiento, uso de herramientas y comprensión de texto, imágenes, documentos y vídeo. NVIDIA declara 12.000 millones de parámetros activos por token y mejoras de eficiencia, pero los resultados publicados no bastan para establecer una comparación independiente ni un coste universal de inferencia.
Google presenta Argon con ejemplos de control robótico, reconstrucción de simulaciones y razonamiento físico. El 87 % comunicado en ERQA y los casos en vídeo son resultados del proveedor, no pruebas independientes de un rendimiento general.
OpenAI ha confirmado que prueba publicidad en ChatGPT. Informaciones sobre anuncios visuales durante la creación de imágenes aún no permiten verificar el momento exacto, su presentación ni su alcance.
La documentación disponible confirma que Qwen Image 2.1 admite generación y edición de imágenes. No basta, sin embargo, para verificar las especificaciones atribuidas a Turbo ni para saber si ocho pasos mantienen la calidad del modelo base.
La documentación de Google describe la verificación de marcas SynthID en imágenes y vídeos. Detectar esa marca puede aportar una señal sobre el origen del contenido, pero no permite determinar si cualquier archivo fue creado o modificado con IA. El lanzamiento público, las condiciones para audio y otros detalles no quedan confirmados con la información disponible.
Dos publicaciones describen modelos de transcripción en streaming y síntesis de voz de Microsoft. La documentación aportada confirma parte del contexto, pero no verifica de forma independiente las cifras de latencia ni el alcance de los 23 idiomas.