Modelos de IA especializados en 2026: guía práctica de voz, OCR, visión y predicción
Una guía detallada de 22 modelos y herramientas para reconocimiento de voz, decisiones, síntesis de audio, documentos, embeddings, visión artificial, datos tabulares y series temporales. Incluye idiomas, licencias, evaluación y arquitectura de producción.
English · العربية · Türkçe · Deutsch · Español
Fuentes comprobadas el 17 de noviembre de 2026. Esta guía de ingeniería se basa en fuentes oficiales; no es una prueba de rendimiento realizada por nosotros. Las capacidades, las licencias y la disponibilidad de los pesos pueden cambiar.
Un cliente envía un mensaje de voz, adjunta una factura y pregunta cuándo llegará su pedido. Una aplicación útil debe transcribir el mensaje, leer el documento, clasificar la solicitud, recuperar información y, quizá, responder con voz. Cada paso tiene entradas, salidas y errores distintos.
La IA especializada permite elegir un componente adecuado para cada tarea y conectarlos mediante código de aplicación. Un modelo generativo puede redactar explicaciones o atender casos ambiguos, mientras otros componentes realizan la clasificación, la transcripción o la predicción numérica.
Esta guía presenta 22 modelos y herramientas en ocho áreas. «Abierto» no describe una única condición de uso: el código y los pesos pueden tener licencias diferentes, y algunos productos son servicios alojados. Las recomendaciones de arquitectura son propuestas de ingeniería, no resultados de una comparación en el mismo equipo.
1. Empieza por la tarea y su salida
| Tarea | Entrada | Salida útil | Pregunta de evaluación |
|---|---|---|---|
| ASR | Grabación de voz | Transcripción y tiempos opcionales | ¿Se reconocieron las palabras importantes? |
| Decisiones | Texto o estado de la aplicación | Categoría, puntuación o respuesta tipada | ¿Se eligió el flujo correcto? |
| TTS | Texto aprobado | Audio de voz | ¿Es comprensible y natural? |
| OCR | Imagen de página o documento | Texto, tablas y estructura | ¿Se conservaron contenido y orden? |
| Embeddings | Texto o medios compatibles | Vector numérico | ¿Se recupera el elemento relevante? |
| Visión | Imagen o vídeo | Detecciones, máscaras o trayectorias | ¿Se localizaron los objetos correctos? |
| Aprendizaje tabular | Filas y columnas | Clase o estimación numérica | ¿Generaliza a datos nuevos? |
| Series temporales | Historial ordenado | Valores futuros e incertidumbre | ¿Supera una referencia realista? |
Mantén separadas estas salidas. Una transcripción registra lo que se dijo; una categoría lo interpreta; una acción depende de las reglas del negocio. Esta separación facilita localizar el origen de un fallo.
2. Reconocimiento de voz: Nemotron, Whisper y Qwen3-ASR
NVIDIA Nemotron 3.5 Transcribe
La ficha oficial de NVIDIA describe transcripción en 40 idiomas, grabaciones de hasta una hora y unos 34B parámetros totales, con 4,3B activos. También incluye comprensión de audio.
Es un candidato para reuniones grabadas y archivos multilingües. Comprueba la matriz de idiomas por tarea: admitir transcripción en un idioma no implica la misma cobertura para traducción o atribución de hablantes.
Los parámetros activos no equivalen a la memoria necesaria para cargar los pesos. La ficha FP8 documenta una configuración con RTX PRO 6000 Blackwell de 96 GB. Es una configuración concreta, no un mínimo universal para todas las variantes. Considera también memoria de ejecución, longitud del audio, lotes y concurrencia.
Whisper y whisper.cpp
whisper.cpp es una implementación de inferencia de Whisper en C/C++, con ejecución en CPU y opciones de aceleración por hardware.
Puede servir como referencia cuando importan el procesamiento local, la distribución o el equipo disponible. Evalúa el tamaño y la cuantización que utilizarás en producción. Una demostración correcta en un portátil no determina la capacidad de un servidor compartido.
Para español, incluye diferentes acentos, nombres propios y términos técnicos mezclados con inglés. Para árabe, evita una variante dedicada únicamente al inglés.
Qwen3-ASR
Qwen3-ASR ofrece variantes de 0.6B y 1.7B parámetros. Los idiomas de transcripción documentados incluyen español, inglés, árabe, turco y alemán.
La documentación de integración describe además un alineador forzado independiente. Su cobertura lingüística difiere de la transcripción. No deduzcas soporte de tiempos de palabras en árabe solo porque el ASR admite árabe.
Mide el recorrido completo: micrófono, formato, remuestreo, silencio, segmentación, transcripción y puntuación. Evalúa nombres, fechas y números de pedido por separado; un pequeño error en esos campos puede tener más impacto que el promedio de errores de palabras.
Cómo aprovechar Open ASR Leaderboard
Open ASR Leaderboard ayuda a identificar candidatos. Es un recurso de evaluación y no un modelo.
Lee cada resultado con su conjunto de datos, idioma, normalización, hardware y fecha. Prepara además una muestra independiente de situaciones reales. Un buen resultado con inglés limpio no resuelve la calidad del español telefónico con ruido.
3. Decisiones tipadas: Jev, Laya, Kev y GLiNER
Asignar una incidencia a facturación, soporte técnico, ventas o revisión humana suele necesitar una respuesta acotada. Un componente de decisión puede simplificar la validación de ese contrato.
Jev 1.14
El anuncio de Jev 1.14 de TypeSafe presenta una actualización de un modelo de decisiones mediante API. Identifica las imágenes, las cajas delimitadoras y el contexto ampliado como funciones experimentales.
Evalúa las funciones estables por separado. Define salidas permitidas y un camino de escalado para casos ambiguos. Una respuesta con el tipo correcto puede contener una decisión incorrecta.
Laya
La familia Laya ofrece decisiones tipadas sin generar texto libre. Las versiones inglesa y multilingüe difieren; se indican 421M y 322M parámetros, respectivamente.
Selecciona los pesos según los idiomas de entrada. Las afirmaciones de calibración del desarrollador deben comprobarse con tus datos. Un cambio de idioma o dominio puede producir errores con puntuaciones de confianza elevadas.
Separa la carga inicial de la inferencia con el modelo residente. Si cambias de idioma y recargas pesos en cada solicitud, un clasificador rápido puede acabar ofreciendo una experiencia lenta.
Kev-4B
Kev incluye modelos de decisiones para alojamiento propio, como Kev-4B, y herramientas de entrenamiento. El repositorio advierte que el paquete de PyPI llamado kev pertenece a otro proyecto.
Es una opción para equipos que buscan controlar el servicio y adaptarlo. Ese control exige mantener dependencias, planificar recursos, fijar versiones y evaluar regresiones. Repite las pruebas al cambiar categorías, instrucciones o pesos.
GLiNER2.5-Decide
GLiNER2.5-Decide es un clasificador inglés de 340M que acepta etiquetas durante la inferencia y tareas de una o varias categorías. Existe una variante Decide multilingüe independiente.
Incluye una salida para casos desconocidos o que requieren revisión. Que una petición de modificar una factura se dirija a facturación no debe significar que el cambio quede aprobado automáticamente.
La confianza debe formar parte de una política
Una puntuación de 0.94 no es, por sí sola, una probabilidad verificada del 94% de acertar. Comprueba la calibración con ejemplos reservados del flujo real.
Elige umbrales según el coste del error. Observa precisión y cobertura de automatización. Un sistema que remite todo a una persona puede parecer muy preciso y ahorrar poco trabajo.
4. Síntesis de voz: Drama 3, Qwen3-TTS y Pocket TTS
Fish Audio Drama 3
Fish Audio Drama 3 ofrece voz expresiva con indicaciones de interpretación, pausas y control sobre palabras concretas. La página del producto documenta su API.
Puede evaluarse para lecciones narradas, diálogos y locución. Trátalo como un producto alojado mientras no se confirme un modelo descargable concreto y su licencia. Distintas versiones de un proveedor pueden tener condiciones de despliegue diferentes.
Qwen3-TTS
Qwen3-TTS incluye diseño y clonación de voces, además de generación en streaming. La lista documentada incluye español, inglés y alemán, pero no enumera árabe ni turco.
Esto limita decisiones reales de producto. Traducir un guion no añade un idioma de voz ausente. Tampoco debe trasladarse la cobertura de Qwen3-ASR a Qwen3-TTS.
Pocket TTS
Kyutai Pocket TTS documenta 100M parámetros, funcionamiento en CPU y streaming. Enumera inglés, francés, alemán, portugués, italiano y español, sin árabe ni turco.
Considéralo cuando los idiomas admitidos y el procesamiento local en CPU encajen. Mide el tiempo hasta el primer audio, la generación completa, la pronunciación y la concurrencia sostenida. Una medición del proveedor en un portátil concreto no sustituye un cálculo de capacidad.
Utiliza voces autorizadas, almacena frases reutilizables cuando convenga y vincula los mensajes hablados a datos aprobados. La naturalidad de la voz no demuestra que la información sea correcta.
5. Documentos: OCR no es todo el análisis
PaddleOCR-VL 1.6
PaddleOCR-VL 1.6 aborda el análisis de documentos con texto, tablas y fórmulas.
Evalúa páginas completas y campos específicos. Una salida visualmente convincente puede equivocarse en un total, un decimal o la asociación entre columnas. Conserva referencias de página para contrastar con el original.
Unlimited-OCR 2
Unlimited-OCR 2 de Baidu se centra en analizar documentos de gran extensión.
«Unlimited» es un nombre y una propuesta de diseño, no la desaparición de límites físicos. El sistema seguirá teniendo restricciones de entrada, memoria, tiempo, almacenamiento y recuperación. En libros largos, comprueba páginas omitidas, repeticiones y trabajos interrumpidos.
MinerU
MinerU es un conjunto de herramientas que convierte documentos complejos en Markdown o JSON para procesos posteriores.
Resulta pertinente cuando necesitas el flujo de análisis y exportación completo. Evalúa orden de lectura, diseño, representación de tablas y backend seleccionado. Un toolkit y un único checkpoint OCR no son unidades de comparación equivalentes.
Falcon OCR Arabic
El anuncio de Falcon OCR Arabic de TII describe una adaptación árabe de 270M y un servicio de demostración. El enlace al modelo base no confirma que los pesos árabes puedan descargarse.
Antes de planificar alojamiento propio, verifica la versión árabe concreta y sus condiciones. Interpreta las cifras del desarrollador dentro de su evaluación documentada.
Para documentos árabes, incluye letras unidas, puntos, diacríticos, números y direcciones mixtas de escritura. Conserva la extracción original junto al texto normalizado para búsqueda.
6. EmbeddingGemma 2: recuperación mediante vectores
EmbeddingGemma 2 representa texto, imágenes, audio y vídeo compatibles en un espacio común de 768 dimensiones. Su ficha indica codificadores modulares y 740M parámetros totales.
Un embedding es una representación numérica para similitud y recuperación. No redacta por sí mismo una respuesta fundamentada. La aplicación debe recuperar el contenido correcto, aplicar permisos y asociar fuentes a la explicación.
Una arquitectura ilustrativa de base de conocimiento conserva archivos originales, analiza páginas, divide el contenido en fragmentos coherentes y crea un índice vectorial. Aplica los permisos de organización y documento durante la recuperación. La similitud semántica no autoriza el acceso.
Mide si el documento correcto aparece entre los primeros resultados. Cuando cambies modelo o dimensiones, planifica una migración del índice; no mezcles sin control vectores de espacios distintos.
7. Visión: detecciones, máscaras y seguimiento
SAM 3 y SAM 3.1
El repositorio SAM 3 de Meta cubre segmentación en imágenes y vídeo. SAM 3.1 incorpora memoria compartida para seguimiento de múltiples objetos.
La segmentación identifica los píxeles de un objeto. Es útil para anotación y edición, pero no establece automáticamente su significado para las reglas del negocio.
YOLO26
Ultralytics YOLO26 es una familia de modelos de visión con opciones de inferencia de extremo a extremo.
Comprueba objetos omitidos, detecciones falsas y latencia a la resolución de cámara prevista. La iluminación, el tamaño y el ángulo de los objetos explican más que una etiqueta genérica de tiempo real.
RF-DETR
RF-DETR ofrece detección y segmentación. Su repositorio distingue componentes con licencia Apache y determinados pesos de detección con otras condiciones de alojamiento comercial propio.
Compara el checkpoint exacto, resolución, backend de exportación y hardware. No atribuyas a toda la familia la latencia de una sola variante.
8. Datos tabulares: TabPFN-3.5 y TabICL v2
TabPFN-3.5 admite clasificación y regresión. El repositorio separa el código Apache de los pesos publicados bajo condiciones no comerciales.
Revisa las condiciones de los pesos antes de elegirlo para un producto de pago. Poder instalar una biblioteca no equivale a tener permiso comercial para cada modelo.
TabICL v2 ofrece clasificación y regresión tabular mediante aprendizaje en contexto y una interfaz similar a scikit-learn.
Compara ambos candidatos con métodos estadísticos simples y modelos de árboles. Evita que registros relacionados del mismo cliente o dispositivo se filtren entre entrenamiento y validación. Si predices el futuro, conserva el orden temporal.
Evalúa clases poco frecuentes, calibración y coste de falsas alarmas. Una buena media puede ocultar el fallo de la categoría más importante.
9. Series temporales: Timestral y Chronos-2
Timestral proporciona predicción probabilística multivariante con covariables. El código usa Apache 2.0 y los pesos condiciones Modified MIT independientes.
Chronos-2 es un modelo de 120M para predicción por cuantiles univariante, multivariante y condicionada por covariables.
Pueden evaluarse para demanda, carga de trabajo y capacidad. Estiman futuros posibles; no eliminan la incertidumbre.
Utiliza cortes históricos móviles. En cada corte, incorpora solo información disponible entonces y predice el periodo siguiente. Compara con referencias estacionales y basadas en el historial reciente.
Las covariables futuras deben conocerse realmente. Un festivo planificado puede servir; las ventas realizadas mañana no. Informa sobre cobertura de intervalos y error puntual, y define qué hará la aplicación ante una incertidumbre elevada.
10. Conecta los componentes con código observable
Un sistema ilustrativo de soporte multilingüe puede usar ASR para mensajes, análisis para adjuntos, recuperación para documentación y un clasificador para dirigir solicitudes. Un modelo generativo redacta una respuesta libre cuando aporta valor. Después, una respuesta aprobada pasa al TTS que admita el idioma.
Guarda por etapa un identificador de trabajo, revisión del modelo, referencia de entrada, estado, tiempos y esquema de salida. Mantén archivos grandes en almacenamiento de objetos y transporta sus referencias mediante colas.
En Laravel, autenticación, aislamiento de organizaciones, reglas de negocio y auditoría pueden permanecer en la aplicación, con servicios de inferencia separados para cada entorno. Es una propuesta de arquitectura, no un requisito de los proyectos.
Usa claves de idempotencia para reintentos. Un timeout no debe duplicar notificaciones ni importaciones. Conserva resultados de etapas completas para evitar que un fallo al generar voz obligue a repetir el análisis costoso de un documento.
11. Evalúa el producto completo
Prepara una muestra independiente con idiomas necesarios, entradas difíciles y fallos habituales. Registra versiones, pesos y configuración.
La latencia total incluye subida, espera, preprocesamiento, inferencia y entrega. Mide mediana, casos lentos, funcionamiento en frío y en caliente, memoria máxima, rendimiento sostenido y coste por tarea correcta.
Calcula costes con tráfico, tamaño de entrada, concurrencia, almacenamiento y proporción de solicitudes que necesitan una alternativa cara. Los pesos abiertos no eliminan el gasto operativo; un servicio alojado puede resultar razonable con poco volumen.
Empieza con revisión humana o procesamiento en paralelo sin ejecutar acciones. Analiza desacuerdos y repite la evaluación tras cambios importantes. El primer objetivo debe ser un caso de uso medible.
Preguntas frecuentes
¿Pueden funcionar todos estos modelos en un VPS corriente?
No. Algunos admiten tareas en CPU y otros requieren aceleradores importantes. Mide el checkpoint y la carga completa antes de comprar hardware.
¿Puede una misma combinación atender los cinco idiomas?
Solo si todas las etapas seleccionadas admiten cada idioma necesario. ASR, alineación, clasificación, OCR, recuperación y TTS tienen coberturas independientes.
¿Sustituye un modelo de decisiones las reglas del negocio?
Puede interpretar entradas ambiguas. El código determinista debe aplicar permisos, validar registros y ejecutar las operaciones autorizadas.
¿Por dónde conviene empezar?
Por una tarea, una referencia sencilla y un pequeño conjunto de evaluación. Elige el candidato que alcance tu calidad objetivo dentro de tus límites de despliegue y mantenimiento.
Artículos destacados

Kafka en producción: particiones, lag, fiabilidad y respuesta a incidentes
Una guía práctica para tomar decisiones de orden, capacidad y recuperación en Kafka, interpretar el lag y responder a fallos sin perder de vista el resultado de negocio.

Laravel y Kafka sin eventos perdidos: outbox transaccional y consumidores idempotentes con PostgreSQL
Una confirmación en PostgreSQL y una publicación en Kafka no forman una transacción ordinaria. Aprende a evitar pérdidas y duplicación de efectos.

Apache Kafka explicado: temas, particiones, grupos de consumidores y tu primer flujo de eventos
Sigue un evento de pedido desde el productor hasta varios consumidores y prueba en local cómo funcionan las particiones, el orden y la reproducción.
Comentarios
0 comentariosTodavía no hay comentarios aprobados. Las respuestas nuevas pueden esperar moderación.