NVIDIA lanza PersonaPlex-7B-v1 - Modelo de diálogo de voz full-duplex

El 20 de enero de 2026, NVIDIA Research lanzó oficialmente PersonaPlex-7B-v1, un modelo de diálogo de voz full-duplex de 7 mil millones de parámetros basado en arquitectura Moshi. El modelo abandona el pipeline en cascada tradicional ASR→LLM→TTS, adoptando una arquitectura Transformer unificada que procesa síncronamente comprensión y generación de voz dentro de una sola red, soportando interrupciones naturales, voz superpuesta, toma de turnos rápida y retrocanales conscientes del contexto.

Innovación principal

Interacción en tiempo real full-duplex

El mayor avance de PersonaPlex-7B-v1 radica en lograr verdadera capacidad de diálogo Full Duplex (dúplex completo):

• Escuchar mientras habla: El modelo puede escuchar simultáneamente la entrada del usuario y generar respuestas
• Interrupciones naturales: Soporta que los usuarios interrumpan el habla de la IA en cualquier momento
• Retroalimentación instantánea: Puede producir retrocanales como “uh-huh” y “correcto”
• Ritmo auténtico: Simula pausas naturales y cambios de entonación en la conversación humana

La IA de voz tradicional usa un proceso rígido de tres etapas (reconocimiento de voz → procesamiento de modelo de lenguaje grande → síntesis de voz). Este modo de relevo “escuchar-pensar-hablar”, aunque funcional, siempre carece de sensación de interacción natural, convirtiendo el diálogo en combate mecánico por turnos.

PersonaPlex-7B-v1 procesa tokens de audio continuos a través de arquitectura Transformer de doble flujo, logrando generación paralela de texto y voz sin transferencias de tareas ni pausas forzadas.

Respuesta de latencia ultra baja

En pruebas de rendimiento, PersonaPlex-7B-v1 sobresale:

• Tasa de toma de turnos: 90.8%
• Latencia de respuesta a interrupciones: Tan baja como 240 milisegundos
• Tiempo hasta el primer token (TTFT): Aproximadamente 170 milisegundos

Estas métricas superan significativamente los sistemas de código abierto y comerciales existentes, proporcionando a los usuarios una experiencia fluida cercana a la conversación humana real.

Mecanismo de prompting híbrido

PersonaPlex logra control preciso de roles a través de un innovador mecanismo de prompting híbrido:

Prompt de voz (Voice Prompt)

• Define timbre y prosodia
• Controla velocidad de habla y expresión emocional
• Logra clonación de voz de alta fidelidad con solo segundos de muestras de audio

Prompt de texto (Text Prompt)

• Establece identidad de rol y escenarios de negocio
• Define antecedentes de conocimiento y estilo de comportamiento
• Puede incluir información estructurada como nombres y organizaciones

Prompt de sistema (System Prompt)

• Proporciona información contextual
• Establece reglas de diálogo
• Define objetivos de tareas

Este sistema de prompting multidimensional permite que PersonaPlex se adapte flexiblemente a varios escenarios de aplicación, desde tutores profesionales hasta representantes de servicio al cliente, desde personajes virtuales creativos hasta soporte técnico.

Arquitectura técnica

Arquitectura unificada basada en Moshi

PersonaPlex-7B-v1 está construido sobre arquitectura Moshi, usando modelado de extremo a extremo:

• Codificador de voz Mimi (ConvNet + Transformer): Mapea audio crudo a tokens de texto discretos
• Temporal Transformer: Modela el ritmo conversacional en la dimensión temporal (cuándo interrumpir, cuándo esperar)
• Depth Transformer: Análisis profundo de intención semántica y estrategias de comportamiento
• Decodificador de voz Mimi (Transformer + ConvNet): Restaura secuencias de tokens a voz de alta fidelidad

La tasa de muestreo de audio alcanza 24kHz, asegurando salida de voz de alta calidad.

Modelo de lenguaje subyacente: Helium

PersonaPlex usa Helium como modelo de lenguaje subyacente, proporcionando:

• Capacidad de comprensión semántica
• Capacidad de generalización a escenarios fuera de distribución
• Modelado de contexto poderoso

Datos de entrenamiento

Los datos de entrenamiento de PersonaPlex fusionan conversaciones reales con corpus sintéticos de alta calidad:

Datos de conversación real

• Fuente: Corpus Fisher English
• Escala: 7,303 conversaciones, totalizando 1,217 horas
• Procesamiento: Retro-anotado con prompts usando GPT-OSS-120B

Datos de conversación sintética

Escenarios de asistente de enseñanza

• Escala: 39,322 conversaciones, 410 horas
• Generación: Qwen3-32B y GPT-OSS-120B generan texto, Chatterbox TTS sintetiza voz

Escenarios de servicio al cliente

• Escala: 105,410 conversaciones, 1,840 horas
• Dominios: Cubre múltiples dominios verticales incluyendo educación, salud y finanzas

Esta estrategia de entrenamiento híbrido asegura que el modelo tenga tanto autenticidad como capacidad de generalización.

Rendimiento

En pruebas de benchmark autorizadas, PersonaPlex-7B-v1 tiene un rendimiento excelente:

Dinámica conversacional (FullDuplexBench)

• PersonaPlex: 90.8
• Moshi: 95.06
• Freeze Omni: 60.68
• Qwen 2.5 Omni: 86.53

Latencia de respuesta

• PersonaPlex: 0.170 segundos
• Moshi: 0.240 segundos
• Freeze Omni: 0.205 segundos
• Qwen 2.5 Omni: 0.953 segundos

Adherencia a tareas

• PersonaPlex: 4.29
• Moshi: 4.40
• Freeze Omni: 4.34
• Qwen 2.5 Omni: 3.62

Escenarios de aplicación

PersonaPlex-7B-v1 es adecuado para varios escenarios:

Asistencia educativa inteligente

Actúa como maestro personalizado, explicando puntos de conocimiento con lógica clara y expresión vívida, estimulando el interés por aprender y adaptándose a estudiantes de diferentes niveles cognitivos.

Servicio al cliente inteligente

Competente en posiciones de primera línea en banca, telecomunicaciones, seguros y otras industrias, proporcionando consultoría profesional basada en las necesidades del cliente mientras mantiene una actitud de servicio paciente y profesional.

Juego de roles y juegos

Interpreta varios roles en juegos o escenarios de simulación, proporcionando experiencias interactivas inmersivas.

Compañeros virtuales

Proporciona compañía conversacional diaria, capaz de entender emociones y proporcionar retroalimentación emocional apropiada.

Escenarios profesionales

Como gestión de emergencias espaciales y otros escenarios especiales, capaz de proporcionar orientación profesional con tonos emocionales apropiados.

Código abierto y disponibilidad

PersonaPlex-7B-v1 es completamente de código abierto con licencias amigables:

• Código: MIT License
• Pesos del modelo: NVIDIA Open Model License
• Modelo base Moshi: CC-BY-4.0

Los desarrolladores pueden:

• Descargar y usar gratis
• Implementar y ejecutar localmente
• Realizar desarrollo secundario y personalización
• Integrar en aplicaciones comerciales

Acceso

• HuggingFace: https://huggingface.co/nvidia/personaplex-7b-v1
• GitHub: https://github.com/nvidia/personaplex
• Página de investigación: https://research.nvidia.com/labs/adlr/personaplex/

Significado técnico

El lanzamiento de PersonaPlex-7B-v1 marca un avance importante en la interacción de IA de voz:

1. Innovación arquitectónica: Del pipeline en cascada al procesamiento unificado de extremo a extremo
2. Interacción natural: Dominio verdadero del “ritmo respiratorio de la conversación humana”
3. Implementación de baja barrera: El modelo de código abierto reduce las barreras técnicas y de costo para construir agentes conversacionales naturales
4. Aplicaciones amplias: Adecuado para traducción en tiempo real, NPCs de juegos inmersivos, asistentes avanzados de vehículos y otros dominios

Al publicar PersonaPlex como código abierto, NVIDIA proporciona una solución implementable localmente y comercialmente viable para el campo de IA de voz, impulsando el desarrollo de interfaces de interacción humano-computadora de próxima generación.

Enlaces relacionados

• Modelo HuggingFace: https://huggingface.co/nvidia/personaplex-7b-v1
• Repositorio GitHub: https://github.com/nvidia/personaplex
• Página de inicio de investigación: https://research.nvidia.com/labs/adlr/personaplex/