Segun MarkTechPost (AI/ML News), PolyAI ha presentado Dialog-RSN-1, un modelo de conversación diseñado para procesar directamente la voz del usuario, sin necesidad de traducirlo a texto. Este sistema integra cuatro funciones clave: la gestión del turno de conversación, la reconocimiento de voz, la ejecución de funciones y la generación de respuestas, todo en un solo flujo audio-native. La innovación se centra en que el modelo no depende de transcripciones previas, lo que permite una interacción más natural y en tiempo real. Los datos revelan que PolyAI logra respuestas en menos de 300 milisegundos, con una mejora del 11% en la satisfacción de clientes en un grupo de restaurantes y una reducción del 37% en tiempos de espera en una compañía de seguros. Los resultados se obtienen en entornos operativos reales, donde el modelo ya atiende llamadas en producción.
La arquitectura del sistema se divide en dos enfoques principales. El primero, una pila cascada, entrega solo la mejor estimación del reconocimiento de voz al modelo de inteligencia artificial, eliminando así variaciones de tono, pausas o incertidumbres del sistema antes de que el LLM las procese. Sin embargo, este enfoque requiere ajustes manuales en parámetros de detección de fin de frase y sesgos del reconocimiento, lo que limita su adaptabilidad a distintos escenarios. El segundo modelo, basado en la conversación de voz a voz, mantiene la señal original pero integra la voz en el entrenamiento, lo que puede afectar la claridad o precisión de pronunciaciones en ciertos contextos. Aunque ambos enfoques ofrecen ventajas, ambos presentan limitaciones en cuanto a generalización.
El modelo actualmente opera en modo de solicitud, activándose solo cuando se requiere, sin mantener un flujo constante que consuma recursos de GPU. Esto garantiza eficiencia en el uso de hardware, especialmente en entornos de alto volumen. La salida en voz sigue siendo gestionada por un sistema independiente de síntesis de voz (TTS), lo que permite al usuario controlar el tono, velocidad y estilo de la voz generada. La disponibilidad inicial está restringida al idioma inglés, y se entrega exclusivamente a través de la plataforma de PolyAI, sin liberar pesos abiertos ni una API pública. Aunque el modelo es operativo, su acceso está limitado a clientes existentes que ya operan con PolyAI, y a nuevos usuarios que pueden solicitar acceso anticipado.
Para el mercado peruano, esta tecnología representa una oportunidad clave en sectores como servicios de salud, finanzas, retail y telecomunicaciones. En el contexto local, donde las operaciones telefónicas son frecuentes en servicios de atención al cliente, el modelo podría optimizar procesos de autenticación, gestión de pedidos o resolución de incidencias. Sin embargo, el acceso restringido y la ausencia de herramientas abiertas dificultan su aplicación directa por parte de pequeñas y medianas empresas. La inversión en soluciones de este tipo debe considerarse estratégica, especialmente para empresas que gestionan grandes volúmenes de llamadas y requieren precisión en la interacción humana.