Saltar al contenido
Fuentes. Contexto. Criterio.SEÑALIA SIN RUIDOBoletín gratis
martes, 17 de noviembre de 2026
AgentesNoticia · 2 min de lecturaAnuncio de la empresaConfianza media

NVIDIA pone voz a un garaje con sus modelos abiertos y lo usa para repartir caramelos

Un ingeniero de la compañía documenta su monstruo de Halloween: escucha, responde en 1,7 segundos de media y mueve la boca en tiempo real

Redacción automática SEÑALResponsable editorial: Sergio SallaveraEl hecho: 30 oct 2026

Un empleado de NVIDIA ha publicado cómo construyó MonsterHouse, un portón de garaje animado que conversa con los niños que van a pedir caramelos. Lo montó con modelos abiertos de su propia empresa y detalla los tiempos de respuesta que exige una conversación en voz alta.

El experimento

Rick Grandy, que se identifica como empleado de NVIDIA en el propio texto, presentó el 30 de octubre en el blog de Hugging Face su MonsterHouse: un portón de garaje con boca de madera que escucha a los niños, les contesta con voz de pirata cascarrabias y se ablanda si dicen «por favor». Es un proyecto personal, no un producto de la compañía, y el autor declara haber probado antes del lanzamiento público el modelo que usa como cerebro.

Cómo funciona la cadena

Cada visita recorre cinco etapas. Nemotron 3 ASR convierte el habla en texto. Nemotron 3.5 Bolt E4B 4GB, un modelo pequeño de lenguaje con pesos abiertos, escribe la respuesta. Magpie TTS Zeroshot la pronuncia a partir de una muestra breve de voz. Audio2Face-3D genera la animación de la boca en Unreal Engine 5, y Nemotron 3 Nano Omni describe los disfraces que ve la cámara, mientras YOLO y ByteTrack cuentan a las personas en pantalla.

Todo corre en una estación de trabajo con dos tarjetas: una RTX PRO 6000 Blackwell Max-Q para el lenguaje y la voz, y una RTX PRO 4000 Blackwell para los gráficos. Según los números que publica el propio autor, la mediana entre el fin de la frase del visitante y el inicio del audio es de 1,70 segundos con el modelo cuantificado a 4 bits, y de 0,72 segundos cuando la respuesta y el audio están guardados de antes. El detector de fin de frase espera 300 milisegundos de silencio.

La personalidad no viene del modelo base. Grandy entrenó un adaptador LoRA (una capa ligera que se añade a un modelo existente) con más de 5.000 conversaciones de varios turnos, generadas y evaluadas por un agente local. Cuenta que probó más de una docena de modelos y que Bolt E4B quedó por debajo de Qwen3 30B-A3B y Qwen 3.6 35B-A3B en tamaño de despliegue.

El fantasma en la máquina

El autor es empleado del fabricante de todos los modelos que utiliza, y lo dice en la propia entrada. Por eso sus tiempos y sus comparaciones son medidas de una sola instalación, en inglés y con un visitante por vez, sin verificación externa. También lo advierte él: el reconocimiento de disfraces está probado con un vídeo sintetizado de cinco ovejas disfrazadas, no con una noche real.

El código no se publica, pero la ruta sí. La entrada enlaza el repositorio de Nemotron Voice Agent, los modelos en Hugging Face y una receta de LoRA para Bolt E4B en NeMo AutoModel, con un consejo de arquitectura: el estado de la conversación (quién ha dicho ya «por favor») debe vivir en la aplicación, no en el modelo.

Qué cambió

AntesUn personaje de voz con personalidad propia y animación en tiempo real exigía modelos grandes en la nube o retardos que rompen la conversación.
AhoraUna demo documentada pieza a pieza conversa con modelos abiertos, un adaptador LoRA y dos tarjetas gráficas de una sola estación de trabajo.
ConsecuenciaLa conversación por voz en local pasa de promesa de laboratorio a lista de componentes con tiempos medidos, aunque los mida de momento quien fabrica las piezas.

Qué sabemos · qué no

Confirmado

  • La entrada del blog, fechada el 30 de octubre de 2026, describe la cadena por etapas y enlaza cada modelo citado.
  • El autor detalla su hardware (RTX PRO 6000 y RTX PRO 4000 Blackwell), la cuantificación a 4 bits del modelo de lenguaje y las medianas de retardo de 1,70 y 0,72 segundos.
  • El adaptador de personalidad se entrenó con más de 5.000 conversaciones de varios turnos, generadas y evaluadas por un agente local.
  • Grandy declara trabajar en NVIDIA y haber probado Bolt E4B antes de su publicación.

Todavía no

  • Los retardos publicados salen de una sola instalación, en inglés y con un visitante por vez; no hay comparación independiente con otras cadenas de voz.
  • El reconocimiento de disfraces está probado con un vídeo sintético, no con público real; el autor lo advierte en el propio texto.
  • El código no se publica, así que nadie ajeno puede reproducir todavía la cadena completa.
  • La ventaja de Bolt E4B frente a otros modelos en tamaño de despliegue la afirma el autor, que es empleado de NVIDIA, sin detallar las condiciones de la comparación.

La misma claridad, en tu correo.

IA HOY, gratis de lunes a viernes, con fuentes y contexto.

Para ir al grano técnico

Qué vigilamos ahora

Si alguien ajeno a NVIDIA reproduce la cadena y publica sus propias mediciones de retardo, la referencia deja de ser una demo de fabricante y pasa a ser una arquitectura contrastada.

Fuentes

Naturaleza de la afirmación principal: Anuncio de la empresa. Información respaldada por fuentes, con aspectos pendientes de contraste.

  1. Hugging Face Blog (NVIDIA) · nivel 1 · primaria · consultada 31 oct 2026
  2. Hugging Face Blog (feed RSS) · nivel 1 · primaria · consultada 31 oct 2026

Más sobre

IA HOY · de lunes a viernes

La misma claridad,
cada día, en tu correo.

Una noticia principal, una selección breve y el contexto o las dudas que conviene seguir. Con fuentes y sin rellenar cupos.

Ver una edición de ejemplo

Para seguir leyendo