El gran lastre de los asistentes de voz de la generación anterior eran las pausas eternas en mitad de la charla. Haces una pregunta en voz alta y se instala un silencio incómodo de tres o cuatro segundos mientras el pipeline clásico pasa el audio a texto, procesa los tokens en el modelo de lenguaje y vuelve a sintetizar la voz. En una conversación así no hay frescura: no hablas con un interlocutor, sino con un contestador lento. En octubre de 2026, la industria ha puesto sobre la mesa dos respuestas de ingeniería radicalmente distintas a esta crisis de latencia.
Hermes Apollo
El laboratorio Nous Research presentó el lanzamiento del agente abierto Hermes Agent v0.2.0.0, bautizado con el nombre en clave Hermes Apollo. Sus desarrolladores no intentaron reinventar la arquitectura de redes neuronales desde cero, sino que llevaron el pipeline tradicional a la perfección optimizando a fondo el almacenamiento en búfer.
En lugar de esperar a que el modelo de lenguaje genere un párrafo completo —o siquiera una frase entera—, el módulo de síntesis de voz de Hermes Apollo empieza a reproducir audio en cuanto el búfer acumula una estructura sintáctica completa de apenas 20 caracteres. El resultado es que el retardo de respuesta cae de varios segundos a fracciones de segundo: el asistente entra en la conversación casi al instante.
El segundo pilar de una charla natural es poder interrumpir al interlocutor (barging). En los sistemas antiguos, si el asistente arrancaba un monólogo largo, no podías frenarlo sin pulsar un botón. En Hermes Apollo, un reconocedor local escucha de forma continua el flujo entrante: basta con decir «espera» o «para» para que la generación de voz se corte al instante sin corromper el contexto.
La transcripción de tu voz se ejecuta en local mediante el modelo ligero Faster Whisper sobre la CPU, lo que garantiza privacidad total y cero gastos en APIs de terceros. Además, el agente sincroniza automáticamente todas las conversaciones y conclusiones en tu bóveda local de notas Obsidian, dejándolas listas para otros scripts autónomos.
Mientras el equipo de Nous Research pule el pipeline modular basado en texto, el gigante fintech Block, dirigido por Jack Dorsey, ha elegido la vía radical de prescindir por completo del texto como intermediario.
Dessa de Block
La compañía Block anunció su modelo de investigación Dessa: una red neuronal nativa de audio de extremo a extremo (end-to-end) en la que desaparecen por completo las fases de reconocimiento de voz (ASR) y síntesis desde texto (TTS).
En la arquitectura de Dessa, el sonido entra directamente en la red neuronal y sale en forma de señal acústica continua sin pasar por un solo token de texto. El modelo se entrenó exclusivamente con grabaciones de conversaciones humanas reales. Gracias a ello, capta matices acústicos sutiles que se pierden irremediablemente al transcribir a letras: inflexiones de pregunta, tonos de sarcasmo o aprobación, suspiros, respiraciones entrecortadas y risitas a mitad de palabra.
El modelo opera en modo full-duplex: escucha el micrófono y genera audio al mismo tiempo. Mientras hablas, Dessa puede intercalar interjecciones breves y naturales («ajá», «te escucho», «sí») para confirmar que atiende, y retomar el hilo con suavidad en cuanto haces una pausa. La latencia fisiológica de respuesta se sitúa entre 200 y 300 milisegundos, calcando el ritmo natural de dos personas charlando. Por si fuera poco, lograron ejecutar la inferencia en local en un portátil MacBook Pro con chip Apple Silicon M4 Max.
Si sigues de cerca la evolución de la IA de voz y los sistemas agénticos, te recomiendo consultar nuestros artículos sobre las cinco mejoras de Hermes Agent OS y el módulo de voz Apollo y la arquitectura de un sistema multiagente local con memoria compartida.
Comparar Hermes Apollo y Dessa retrata a la perfección la bifurcación actual de las interfaces de voz. Hermes Apollo entrega hoy mismo una herramienta práctica, abierta y lista para montar agentes locales en el hardware que ya tienes. Dessa, por su parte, dibuja el horizonte de mañana: una inteligencia artificial que deja de ser un robot que lee en voz alta para convertirse en un interlocutor que de verdad sabe escuchar.

