Tavus ha lanzado PAL Maker, una herramienta para construir asistentes con cara y voz describiendolos en lenguaje natural, segun su pagina de producto. Hablas con un asistente llamado Charlie, le cuentas que quieres, y sale un humano digital desplegable en web, en Google Meet o por API.
Puntos clave
- El flujo son tres pasos: lo describes hablando con Charlie, ves como lo construye, y lo despliegas. Sin escribir codigo.
- Caras fotorrealistas generadas desde un video o foto propia, o mas de 100 opciones de catalogo. Voces propias desde video, de catalogo, o traidas de ElevenLabs y Cartesia, en 43 idiomas.
- Debajo hay tres modelos propios: Phoenix-4 para el renderizado emocional de la cara, Raven-1 para leer el estado del interlocutor y Sparrow-1 para el ritmo de la conversacion, o sea cuando toca hablar y cuando callar.
- Funciones que salen del video hablado: Magic Canvas muestra graficos y calendarios durante la conversacion, hay modo presentacion con slides, y el PAL puede entrar en una reunion de Google Meet como participante mas.
- Base de conocimiento por documentos, memoria entre sesiones, y cumplimiento SOC 2, HIPAA y GDPR. Tavus cita a Deloitte, Salesforce, Amazon y CVS Health como clientes, y mas de 100.000 desarrolladores.
El modelo del ritmo es el que decide si esto funciona
De los tres modelos, el que importa mas es Sparrow-1, el del timing. Y es la parte que casi nadie mira al evaluar estas herramientas.
Cualquiera que haya probado un asistente de voz sabe cual es el fallo que arruina la experiencia: la pausa. Terminas de hablar, hay un segundo de silencio, y el asistente empieza. O peor, te interrumpe a mitad de frase porque detecto un hueco. Ese medio segundo mal gestionado es lo que hace que la conversacion se sienta con una maquina, mucho mas que la calidad de la voz o de la cara.
Que Tavus tenga un modelo dedicado solo a eso dice donde han puesto el esfuerzo. La cara fotorrealista es lo que vende la demo. El ritmo es lo que decide si alguien lo usa dos veces.
Magic Canvas es la parte util para empresa
Un humano digital que solo habla es una demo. Uno que ademas ensena un grafico, un calendario o una presentacion mientras responde empieza a ser una herramienta de trabajo.
Los casos que menciona Tavus van por ahi: onboarding de nuevos empleados, agente comercial, soporte, admision de pacientes, formacion, recursos humanos. En todos ellos la conversacion necesita apoyo visual. Un onboarding en el que el asistente muestra el organigrama mientras lo explica funciona; uno en el que solo habla, no.
Es el mismo salto que dio HeyGen esta semana con su generador de podcast en video con dos avatares, y el que ya habia dado con Avatar V, que arreglaba la perdida de parecido en grabaciones largas. La categoria de avatares esta pasando de "genera un video" a "manten una conversacion util".
Por qué importa
Antes de montar nada, la pregunta honesta es donde una cara aporta y donde estorba. Y hay una respuesta bastante consistente: aporta cuando el interlocutor esta aprendiendo algo o necesita confianza, y estorba cuando solo quiere resolver un tramite rapido.
Para onboarding de empleados nuevos y para formacion interna tiene sentido. Una persona que se incorpora prefiere que le explique las cosas alguien, aunque sepa que no es real, y puede repetir la pregunta veinte veces sin sentirse tonta. Para consultar el estado de un pedido, una cara sonriendo mientras carga es peor que un texto instantaneo.
Los 43 idiomas son el argumento fuerte si vendes fuera de Espana. Grabar el onboarding una vez y tenerlo en once mercados sin volver a grabar cambia el coste de expandirse. Es exactamente el tipo de ahorro que se puede calcular: lo que cuesta un rodaje mas locucion por idioma, frente a la suscripcion.
La cautela: no hay precio publico en la pagina de producto, hay que pasar por su tarifa. Y cualquier cosa de esto que toque datos de cliente o de empleado necesita revisar el encargo de tratamiento antes, no despues.
Relacionado
