SoundHound, reconocido por su liderazgo en asistentes de voz, ahora está dotando a su inteligencia artificial de la capacidad de ver. Imagina pasar junto a un edificio emblemático y, sin necesidad de sacar tu teléfono, preguntarle a tu auto: “¿Qué es ese edificio allí?”. Eso es exactamente lo que está desarrollando SoundHound AI.
Con el lanzamiento de Vision AI, su nuevo sistema combina la vista con el sonido, ofreciendo una forma más inteligente y natural de interactuar con la tecnología. La idea es replicar cómo operamos los humanos; no solo escuchamos a alguien, también observamos sus gestos y lo que están mirando. Al incorporar este entendimiento contextual en la inteligencia artificial, SoundHound busca eliminar la experiencia torpe y, a menudo, frustrante que enfrentamos con muchos de los dispositivos inteligentes actuales.
La compañía apunta a aplicaciones del mundo real donde esta combinación de sentidos podría marcar una gran diferencia, ya sea en tu próximo automóvil, en el drive-thru de un restaurante o en una línea de producción. Keyvan Mohajer, CEO de SoundHound AI, afirmó: “En SoundHound, creemos que el futuro de la inteligencia artificial no solo es multimodal, sino que está profundamente integrada, es receptiva y está diseñada para tener un impacto real en el mundo”.
¿Cómo funciona? Vision AI toma una transmisión en vivo de una cámara y la fusiona con la tecnología de voz de la compañía, que ya destaca en la comprensión del habla natural. Al procesar lo que ve y escucha simultáneamente, el sistema puede captar la verdadera intención del usuario de una manera que un asistente de voz simple nunca podría. Imagina a un mecánico usando gafas inteligentes que, al mirar una pieza del motor, puede pedir instrucciones y recibir orientación visual y auditiva al instante sin tener que dejar sus herramientas. En una tienda, un empleado podría escanear estantes simplemente mirándolos para obtener un conteo de inventario en tiempo real.
Para el resto de nosotros, podría significar un quiosco en el drive-thru que confirme visualmente nuestro pedido en pantalla en el momento en que lo decimos. Uno de los mayores desafíos técnicos para crear un sistema así es asegurar que los elementos de audio y visuales estén perfectamente sincronizados. Cualquier retraso podría arruinar la ilusión de una conversación natural. Pranav Singh, VP de Ingeniería en SoundHound AI, comentó: “Con Vision AI, estamos fusionando el reconocimiento visual y la inteligencia conversacional en un flujo único y sincronizado. Cada fotograma, cada enunciado, cada intención se interpreta dentro del mismo ecosistema, garantizando experiencias de usuario más rápidas y naturales que se escalan desde quioscos hasta dispositivos integrados”.
Para las empresas que adopten esta tecnología, la promesa es ofrecer un servicio más rápido, menos errores y clientes más satisfechos. Se trata de eliminar fricciones y hacer que la tecnología se sienta menos como una herramienta que hay que operar y más como un socio que te ayuda a realizar tareas. Esta nueva capacidad visual no es la única actualización que está implementando SoundHound. La compañía también mejoró recientemente el “cerebro” de su sistema con una nueva actualización, Amelia 7.1. Esta mejora hace que sus agentes de inteligencia artificial sean más rápidos, precisos y otorga a las empresas más control y transparencia sobre su funcionamiento.
Al combinar la vista y el sonido, SoundHound busca acercarnos a un mundo donde interactuar con la inteligencia artificial sea tan sencillo e intuitivo como hablar con otra persona.
