› Google lanzó el 15 de septiembre de 2026 Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking, dos nuevos modelos de voz a voz cuyo diseño es comparable, según el desarrollador Simon Willison, al de la familia GPT-Live de OpenAI.
› Estos modelos representan un avance significativo en la interacción por voz con inteligencia artificial, permitiendo conversaciones en tiempo real directamente desde el navegador web sin necesidad de instalaciones complejas.Qué son los modelos de voz a voz y cómo funcionanLos modelos de voz a voz son sistemas de inteligencia artificial que pueden escuchar tu voz, procesarla y responder también con voz, todo en tiempo real.
› A diferencia de los sistemas tradicionales que convierten primero la voz en texto, luego procesan el texto y finalmente generan una respuesta en audio, estos modelos trabajan directamente con audio, lo que hace la conversación más natural y fluida.Ambos modelos se comunican mediante un WebSocket que apunta al endpoint wss://generativelanguage.googleapis.com/ws/google.ai.generativelanguage.v1alpha.GenerativeService.BidiGenerateContent.
› Un WebSocket es una tecnología que mantiene una conexión abierta y bidireccional entre tu navegador y los servidores de Google, permitiendo que la información fluya en ambas direcciones simultáneamente, lo cual es esencial para conversaciones en tiempo real.Implementación técnica y herramientas disponiblesPara la captura y reproducción de audio en el navegador utilizan la Web Audio API a través de un AudioContext, sin necesidad de librerías externas.