Boson AI presenta Higgs Realtime Duplex, un modelo de 45.000 millones de parámetros que escucha, mira y habla a la vez

Boson AI, la empresa de Santa Clara dirigida por su cofundador Alex Smola, presentó Higgs Realtime Duplex el 5 de noviembre. En una entrada de su blog titulada "Face to Face, Working in the Background", la compañía lo describe como la nueva generación de su modelo de voz Higgs Realtime y como su primer modelo omni interactivo full-duplex: un sistema que sigue recibiendo audio, vídeo y texto mientras habla, razona y anima un rostro propio.

Qué hace el modelo

Según la descripción de Boson AI recogida por RuntimeWire y TLDR, se trata de una red de mezcla de expertos con 45.000 millones de parámetros, que la empresa llama su "modelo frontal". Procesa la voz y el vídeo en fragmentos de 160 milisegundos, lo que debería permitirle responder y ser interrumpido con poco retraso, sin esperar a que el usuario termine su turno. La compañía afirma que puede llamar a herramientas de forma asíncrona y pasar el trabajo más pesado a un modelo de respaldo más grande mientras la conversación continúa; ese modelo no aparece nombrado en el material consultado. Boson AI señala además que el modelo genera un rostro en directo mientras habla, aunque las páginas revisadas no ofrecen detalles técnicos al respecto.

La empresa también pone el acento en el coste. RuntimeWire informa de que su objetivo es que una hora del modelo frontal de 45.000 millones de parámetros cueste como máximo una décima parte de una hora de trabajo humano. Es una meta declarada, no una cifra medida.

Lo que sigue sin aclararse

Varios puntos básicos no se pudieron verificar. La entrada completa del blog de Boson AI no estuvo accesible para este artículo, y las páginas secundarias consultadas no indican licencia, pesos descargables ni resultados de benchmarks; una ficha de Papers with Code dedicada a la entrada menciona una prueba de seguimiento de instrucciones, pero no publica puntuaciones. Tampoco se precisa el número de parámetros activos por token. AI Weekly informa de que el acceso a la API llegará mediante una lista de espera, mientras que el anterior Higgs Realtime, que funciona por turnos, sigue disponible. No se han publicado precios.

El lanzamiento amplía una serie de productos de voz. En las últimas semanas, el blog de Boson AI ha anunciado la transmisión en directo de su Higgs Avatar en llamadas de agentes de voz y una guía para construir un dispositivo conversacional de bajo coste con Higgs Realtime. Los sistemas full-duplex, que escuchan y hablan a la vez, son un campo de investigación activo, y harán falta pruebas independientes para valorar cómo se comparan las promesas de latencia y coste de Boson AI con otros modelos de voz en tiempo real.