Modelos de IA multimodales

MAI Transcribe 2 Streaming es el primer modelo de transcripción en streaming de Microsoft. Convierte voz en texto mientras la persona habla y está pensado para centros de llamadas, asistentes de voz y subtítulos en directo de reuniones y clases.

MAI Voice 2.1 Flash es la variante rápida y de menor costo del modelo de texto a voz MAI Voice 2.1 de Microsoft. Está pensada para agentes y asistentes de voz en tiempo real, centros de llamadas y experiencias interactivas en varios idiomas.

Modelo multimodal de código abierto que devuelve respuestas tipadas con probabilidades en lugar de texto. Ideal para desarrolladores que integran clasificación y enrutamiento en flujos de trabajo automatizados.

Griffin Lite es la versión de vista previa del primer Modelo de Interacción Humana de Tavus. Diseñado para conversaciones en video, permite que la IA escuche, observe y responda simultáneamente. Ideal para desarrolladores que buscan interfaces conversacionales avanzadas y naturalistas.

Modelo de texto a voz de Microsoft que permite a una misma voz hablar 23 idiomas con acento nativo. Ideal para creadores de agentes conversacionales y aplicaciones que requieren fluidez y calidad en múltiples lenguas.

Modelo multimodal de Google DeepMind diseñado para razonamiento profundo en flujos de trabajo largos. Orientado a ingeniería de software, tareas empresariales y defensa cibernética, con acceso inicial limitado a defensores de confianza.

Plataforma multimodal de Kled AI para garantizar la calidad y seguridad de conjuntos de datos. Ideal para empresas que buscan automatizar la verificación de contenido y prevenir el fraude en sus flujos de trabajo.

Holo4 27B es el modelo denso de visión y lenguaje de la familia Holo4 de H Company. Está diseñado para agentes que usan computadoras: interactúa con interfaces gráficas, ejecuta código y llama herramientas, y se dirige a equipos que automatizan flujos de trabajo.

Anthropic presenta Claude Sonnet 5.5, un modelo multimodal optimizado para desarrollo de código y creación de documentos. Es una alternativa más rápida y económica a Opus 5.5, ideal para profesionales que buscan eficiencia en tareas cotidianas y corrección de errores.

Modelo de expertos mezclado de H Company para agentes que interactúan con interfaces gráficas, código y APIs. Diseñado para flujos de trabajo empresariales en escritorio, web y Android.

Modelo de video de Kuaishou Technology para creadores que buscan alta fidelidad visual y control creativo. Ofrece resolución 4K, audio estéreo y narrativas de 30 segundos con código cerrado.

Manus 2.0 es la nueva arquitectura de agentes de Manus AI para profesionales y creadores. Ofrece herramientas de edición de video, desarrollo de juegos y automatización con código cerrado y enfoque en eficiencia operativa.

LongCat 2.5 Preview es la versión preliminar del modelo de lenguaje de Meituan que suma comprensión de imágenes a la capacidad de programación de LongCat 2.0. Está pensado para desarrolladores y agentes que trabajan con código, imágenes y tareas largas.

Modelo multimodal de Google DeepMind que integra video y audio en diálogos conversacionales. Diseñado para empresas que buscan agentes virtuales con avatares personalizados, expresiones naturales y sincronización labial precisa en múltiples idiomas.

AutoOmni 2.0-23B-A3B es el modelo omnimodal de Banma Intelligence que funciona directamente en el chip del vehículo. Los fabricantes de autos lo integran en sus cabinas inteligentes para que los conductores manejen navegación, vehículo y entretenimiento con la voz.

PixVerse R2 es un modelo de mundo audiovisual en tiempo real que genera video y audio sincronizados a partir de texto, imágenes, audio y acciones. Está diseñado para creadores y desarrolladores que buscan interacciones continuas y coherentes en entornos virtuales.