Por Canuto  

DeepL presentó Aure, un modelo para que sus traducciones de voz en tiempo real trasladen al idioma de destino el tono, la emoción y el ritmo del hablante, incluidos cambios de ánimo y sarcasmo.
***

  • Aure analiza de forma continua el audio original y el texto traducido, en lugar de depender de una muestra de voz fija.
  • El modelo se incorpora a DeepL Voice para reuniones en línea, conversaciones presenciales y la API, con soporte inicial para ocho idiomas.
  • DeepL también se reorganizó alrededor de equipos más pequeños impulsados por IA y sumó al equipo y la tecnología de Mixhalo.

 

La nueva generación de DeepL Voice busca trasladar no solo las palabras, sino también parte de la manera en que se dicen.

Una traducción que sigue los cambios de voz

DeepL presentó Aure, un modelo de voz que busca llevar al idioma de destino características expresivas del hablante, como el tono, la emoción, el énfasis y el ritmo. La novedad apunta a una limitación de la traducción oral en tiempo real: una frase puede conservar su sentido básico y, aun así, perder matices que ayudan a entender la intención de quien habla. Según The Decoder, Aure analiza de manera continua el audio original y el texto traducido mientras avanza la conversación.

Según ese reporte, DeepL Voice generaba el habla traducida a partir de una muestra estática de la voz capturada al comienzo de la conversación. Ese método permitía conservar la identidad vocal en la salida, pero no respondía a los cambios de ánimo que surgían después ni identificaba el sarcasmo en el momento en que aparecía. Aure modifica ese proceso para que la traducción pueda seguir variaciones expresivas durante el intercambio, en vez de mantener una representación fija del hablante.

La diferencia importa porque el tono puede cambiar la lectura de una misma frase, sobre todo cuando alguien enfatiza una palabra, habla con ironía o pasa de un registro tranquilo a uno más intenso. Si la voz traducida mantiene un estilo uniforme, parte de esa información puede perderse aunque el contenido verbal llegue al otro idioma. El objetivo que plantea DeepL es que la salida oral conserve más señales de la intervención original y suene menos separada de la conversación que la produjo.

El modelo también debe resolver una tarea distinta de la simple reproducción de una voz: conservar rasgos expresivos sin trasladar mecánicamente cada particularidad del habla original. DeepL describe un entrenamiento en el que separa la identidad de la voz, la melodía del habla y el contenido, para transferir cada componente de forma independiente al nuevo idioma. Esa separación permitiría tratar por separado quién habla, cómo suena la intervención y qué dice, aunque la empresa no detalla cómo mide el desempeño de cada elemento.

Cómo se integra Aure en DeepL Voice

La empresa indica que Aure funciona automáticamente en DeepL Voice para reuniones en línea, conversaciones en persona y la API de DeepL. Con ello, la actualización abarca tanto situaciones de comunicación cara a cara como usos integrados en servicios mediante la interfaz de programación de la compañía. La información difundida no establece requisitos técnicos, precios ni diferencias de disponibilidad entre esos formatos, por lo que el anuncio se concentra en las capacidades del modelo y sus ámbitos de uso.

En su lanzamiento, Aure admite inglés, alemán, español, francés, italiano, japonés, portugués y coreano, según la información difundida sobre el modelo. La lista combina idiomas de distintas regiones y permite que las funciones expresivas se apliquen en conversaciones multilingües dentro de ese conjunto inicial. DeepL no anuncia una fecha para sumar otros idiomas, así que no es posible precisar cuándo se ampliará la cobertura.

La compañía había presentado una función de preservación de voz en septiembre, de acuerdo con el reporte de The Decoder. Aure representa un avance respecto de esa aproximación al incorporar un análisis continuo del audio y del texto traducido, en lugar de basarse únicamente en la identidad vocal recogida al inicio. El cambio refleja la diferencia entre conservar el timbre de una persona y seguir, además, cómo varía su manera de expresarse a lo largo de una conversación.

DeepL también incorporó al equipo y la tecnología de Mixhalo, una compañía vinculada a la transmisión de audio, para reforzar su trabajo en traducción de voz en tiempo real. El anuncio de DeepL destaca la tecnología de baja latencia de Mixhalo, pero no especifica los términos de la operación ni detalla qué componentes concretos se incorporarán a cada producto. La integración aparece, junto con Aure, como parte de la apuesta de la compañía por desarrollar herramientas capaces de trasladar conversaciones habladas con menor pérdida de información expresiva.

La carrera por traducir más que las palabras

La dificultad de traducir emociones no se limita a elegir equivalencias entre idiomas: también exige interpretar señales acústicas que ocurren mientras una persona habla. DeepL afirma que su entrenamiento separa identidad, melodía y contenido para que la información expresiva pueda transferirse de manera independiente. Además, emplea aprendizaje por refuerzo para evitar que los acentos aparezcan en la salida, según la descripción del sistema difundida por la compañía.

Ese enfoque muestra una tensión propia de los sistemas de voz traducida: preservar cómo se comunica alguien sin confundir ese rasgo con una imitación literal de cada sonido. Un acento puede formar parte de la voz original, mientras que una melodía o un énfasis pueden ser relevantes para transmitir intención; el modelo busca tratar esos componentes por separado. La información difundida no ofrece resultados comparativos ni pruebas que permitan determinar cuánto mejor conserva Aure cada matiz frente a la versión anterior.

La iniciativa también coincide con una reorganización interna de DeepL. En mayo, la empresa recortó alrededor de 250 puestos de trabajo para reestructurarse en torno a equipos más pequeños impulsados por inteligencia artificial, como parte de su objetivo declarado de convertirse en una compañía «nativa de IA». El anuncio de Aure y la reducción de personal son hechos distintos, aunque el reporte los sitúa dentro de una etapa en la que la firma está redefiniendo su estructura y sus prioridades tecnológicas.

DeepL no es la única compañía que trabaja en sistemas capaces de interpretar señales emocionales en el habla. Block describe Dessa como un modelo de voz que procesa el habla y puede reconocer emociones y sarcasmo, una propuesta que aborda un objetivo relacionado desde otra herramienta. La comparación señala un interés compartido por ir más allá del reconocimiento literal de palabras, pero la información disponible no permite establecer equivalencias de rendimiento entre ambos modelos.

Para quienes usan traducción oral, la promesa de Aure es que una intervención traducida pueda reflejar mejor la intención que el hablante transmite con su voz, además del contenido verbal. La utilidad de esa mejora dependerá de cómo responda el modelo en conversaciones reales y de que la conservación del tono no distorsione el mensaje en el idioma de destino. Por ahora, DeepL presenta la función como parte de sus servicios de voz y anuncia soporte inicial para ocho idiomas, sin publicar en la información citada métricas de precisión o evaluaciones independientes.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados