Una voz construida para la forma en que hablamos.

No. No existe demostración pública, no existe API pública, no existe integración de telefonía, no existe dúplex nativo y la clonación vocal no está en el producto. Las cinco figuran como ausentes en nuestra propia hoja de ruta. Si necesitas un agente vocal que funcione ahora, la respuesta es Kallina, no Grai; si necesitas un archivo de audio, es Voice Studio.

En reconocimiento en rumano, 26,31% de tasa de error de palabras en la ventana predeterminada de 1120 ms, con intervalo de confianza del 95% entre 24,07 y 28,60; en ruso, 9,30%. Protocolo: 200 enunciados por idioma de FLEURS, semilla 20260831, decodificación en flujo. Qué tan bueno es: no es bueno. Nuestra propia conclusión, escrita en la tabla de comparación, es que en precisión en rumano perdemos frente a los sistemas comerciales, con un factor de cinco a nueve. El rumano es casi tres veces más difícil de reconocer que el ruso con la misma configuración, que es justamente el problema que estudiamos.

En la descomposición medida, el modelo de lenguaje toma 2180 ms del recorrido, el reconocimiento 92 ms y la síntesis 305 ms. El reconocimiento es prácticamente gratis; la síntesis casi igual. Quien quiera una conversación vocal más rápida debe atacar el modelo de lenguaje — con un modelo más pequeño, con streaming de la respuesta o acortando las respuestas. Aquí también debemos ser honestos con nosotros: las cifras de segmento publicadas en el sitio no suman el total publicado en la misma pantalla, y la diferencia es de aproximadamente medio segundo. La descomposición es la que nos inspira confianza; el total agregado debe recalcularse antes de citarse.

Porque en cascada puedes cambiar cada componente por separado y puedes mantener el reconocimiento y la síntesis localmente, en el procesador, sin GPU. El precio es la latencia de encadenamiento y el hecho de que el modelo de lenguaje, que es la mayor parte del retraso, está fuera de la máquina. El dúplex nativo es una dirección, no algo que tengamos — está en la lista de «no existe todavía».

La hoja de ruta propone tres entrenamientos por menos de 1.200 dólares en total: reconocimiento para rumano en VoxPopuli CC0, 89 horas, aproximadamente 50 horas de H100, en torno a 500 dólares; un detector de fin de turno para rumano, aproximadamente 2.000 muestras propias, menos de 100 dólares; una voz propia, 500-800 dólares. El tercero no está bloqueado por dinero, sino por datos — y por el hecho de que el modelo de síntesis en el que nos basábamos fue archivado por sus autores. La cifra objetivo para el primer entrenamiento, en torno al 21%, es una extrapolación de las mejoras obtenidas en griego y búlgaro, no una medición.

El método estudiado es optimización inversa sobre pesos congelados, no clonación desde unos segundos: 6-30 minutos de material por voz, aproximadamente 3.000 pasos de optimización, 2,6 GB de memoria pico, siendo el artefacto entregado del orden de los kilobytes. Pero no está en el producto, y es importante decir por qué no es solo una cuestión técnica: en la República de Moldavia la voz es dato biométrico desde el 23 de agosto de 2026. Sin consentimiento explícito y cesión, la cuestión no es si se puede, sino que no se hace.

Porque si no, no tendría sentido publicarlas en absoluto. Una tabla en la que siempre sales primero es una tabla de marketing. La nuestra marca las filas de terceros como declaradas y solo las nuestras como medidas, y la conclusión escrita debajo dice que perdemos. Sin embargo, hay que decir claramente también lo que nadie de fuera puede hacer: el código que produjo estas mediciones no es público y no acompaña al sitio, así que las cifras no pueden ser reproducidas por un tercero hoy. Trátalas como mediciones internas, no como resultados verificados de forma independiente.