Las acciones en el campo de la voz AI han sido frecuentes en las últimas dos semanas. Microsoft ha abierto el código del VibeVoice Model, y Google también actualizó Gemini Audio, el progreso de estos dos gigantes me ha mostrado la dirección. Aproveché esta ventana para crear MeetLingo, una herramienta de traducción de voz en tiempo real para escenarios de reuniones en línea en PC.

El punto clave es muy sencillo: cuando VibeVoice anunció que podía reducir la latencia a 300 milisegundos, de repente entendí que la optimización de toda la cadena de reconocimiento de voz, traducción y síntesis ya está madura. En el pasado, estas tecnologías funcionaban por separado, ahora pueden integrarse sin problemas.

MeetLingo nació sobre esta base de comprensión. Optimizado para escenarios de reuniones en vivo, requiere reducir la latencia, garantizar precisión y mantener una interfaz de usuario lo suficientemente sencilla. Esto no es solo una acumulación tecnológica, sino una comprensión profunda del escenario.

Lo interesante es que esta ola de AI ha dado espacio a una serie de nuevas herramientas para sobrevivir. Con la mejora de la infraestructura de grandes modelos, los desarrolladores comunes también pueden iterar rápidamente productos competitivos.