El estado del audio para IA de voz, octubre de 2026
Una instantánea a 2026-10-17: Null Test puntúa once mejoradores frente a un control que no hace nada en diecinueve condiciones, el control está en 14.32% de WER y nuestra fila v8_2 en 16.59%, y el mercado se movió hacia el aislamiento del hablante principal integrado en plataformas y STT.
Actualización del 20 de octubre de 2026: después de esta instantánea publicamos un benchmark de conversaciones en vivo de v8_2 frente a ai-coustics Quail VF 2.2 S con dos reconocedores. Con faster-whisper base.en es un empate en el agregado y ningún motor supera al audio sin procesar; con la transcripción de entrada de Gemini Live, v8_2 supera al audio sin procesar y va delante de VF S en el agregado. v8_2 va delante con un hablante cerca del micrófono y un fondo fuerte, VF S con un hablante lejano, en la supresión de pausas y en las interrupciones falsas (barge-ins). La instantánea de abajo no cambia.
A 2026-10-17, el benchmark Null Test publicado puntúa once mejoradores frente a un control que no hace nada en diecinueve condiciones; el control está en 14.32% de WER, nuestro motor v8_2 en 16.59%, y nada de la tabla superó al control. En el mercado, el cambio notable desde agosto es que el aislamiento del hablante principal ya no se vende solo como un SDK aparte: aparece dentro del precio de una plataforma (LiveKit), dentro de una opción de STT (AssemblyAI) y como lanzamiento estrella (Krisp).
Es una instantánea del estado publicado, sin mediciones nuevas. Las cifras del benchmark proceden de benchmark.json (generatedAt 2026-08-14); los elementos de mercado proceden de nuestra investigación interna compilada el 2026-10-15, y toda cifra de rendimiento de un proveedor allí es una afirmación de la propia empresa.
El benchmark, tal como está publicado
| Backend | WER agregado (19 condiciones) | Distribuible |
|---|---|---|
| raw | 14.32% | yes |
| passthrough | 14.32% | yes |
| aic-quail | 15.18% | no |
| focus | 16.59% | yes |
| aic-quail-vf | 17.59% | no |
| gtcrn | 20.14% | yes |
| fastenhancer-s | 20.33% | yes |
| fastenhancer-l | 20.36% | yes |
| fastenhancer-b | 20.64% | yes |
| fastenhancer-t | 21.66% | yes |
| fastenhancer-m | 22.13% | yes |
| dfn3-hq | 30.69% | yes |
| dfn3 | 34.04% | yes |
Tasa de error de palabras agregada, faster-whisper base.en, diez hablantes, 190 palabras de referencia por condición. El audio sin tocar (raw y passthrough, que son la misma señal) está arriba porque ganó. Las filas de ai-coustics (aic-quail, aic-quail-vf) son una referencia propietaria con licencia y no una ruta de código distribuible. El relato fila por fila está en nuestra fila está en la tabla.
Dos resultados anteriores lo enmarcan. Nuestro análisis de telefonía repitió una cifra de la comunidad, que una ruta de remuestreo por defecto descarta aproximadamente el 16% del audio del interlocutor; nuestro control no la respaldó y la retractamos en público, dejando la sección corregida en su sitio. Y el conjunto de prueba es de diez hablantes: separa diferencias de decenas de puntos, no de uno o dos.
Qué cambió en el mercado
| Fecha | Quién | Qué | Tipo de fuente |
|---|---|---|---|
| 2026-08-12 | Krisp | VIVA 2.5 / Voice Isolation 2.5, marketed as primary-speaker focus; company claims | company blog / CEO post |
| 2026-03-11 | ai-coustics + LiveKit | Voice Focus 2.0 in LiveKit Cloud (current plugin bundles Voice Focus 2.2) | company |
| 2026 (date not found) | AssemblyAI | voice_focus option on streaming STT, $0.10/hr add-on | company docs |
| 2026-08 (Aug) | LiveKit | per-second metering introduced | LiveKit community post |
| 2026-09-15 | Gemini 3.8 Live released | company blog | |
| 2026-10-07 | Krisp | FP16 CPU optimisation post: +75% to +99% concurrent calls on supported CPUs (company claim) | company blog |
Todas las cifras de rendimiento de estos elementos (por ejemplo las reducciones de WER que afirma Krisp) son de los propios proveedores y no las hemos verificado. Dos datos más, ambos de nuestro archivo de investigación: la financiación de capital en IA de voz se registró en $1.2B en 25 rondas de enero a septiembre de 2026 frente a $585M en 34 rondas un año antes (Tracxn, consultado en octubre de 2026), y Google lanzó Gemini 3.8 Live el 2026-09-15, lo que importa porque un modelo de audio nativo no tiene un STT separado cuyo WER pueda mejorar un mejorador.
La consecuencia que sacamos es limitada: "aislamiento de hablante" es ahora un nombre de función que usan varios proveedores, así que una afirmación necesita una medición sobre un conjunto compartido para significar algo. Ese es el argumento a favor de un control público.
Qué mediremos a continuación
Son planes, no compromisos con fecha. Primero, un segundo reconocedor, ya que el arnés admite Deepgram y AssemblyAI y el orden debería mantenerse con más de uno. Segundo, un conjunto de hablantes mayor, porque el actual no resuelve un punto o dos. Tercero, el falso barge-in medido sobre eventos de interrupción, no solo sobre falsas alarmas del VAD por fotograma como en por qué la detección de turnos falla con el audio de la televisión. Cuarto, el coste de CPU por flujo, ya que el coste de ejecutar un modelo se está volviendo parte de la competencia.
FAQ
¿Cuál es el mejor mejorador de audio para IA de voz? En nuestro benchmark ninguno superó al audio sin tocar agregado sobre 19 condiciones; los mejores mejoradores distribuibles quedaron a pocos puntos de él. Las condiciones importan más que el número agregado.
¿Qué es Null Test? Nuestro benchmark abierto: once mejoradores, un control que no hace nada, diecinueve condiciones, publicado con sus configuraciones.
¿Están verificados los datos de proveedores de este post? No. Los elementos de mercado son afirmaciones de empresas o informes independientes según se indica, compilados el 2026-10-15.