Adventists AI lanzó el 8 de noviembre la familia de modelos de voz bidireccionales Sophon-Realtime v1, publicando el código y los pesos bajo licencia Apache 2.0 en GitHub, Hugging Face, ModelScope y PyPI. Las tres versiones comparten un mismo «cerebro» de 32B, adaptado de Qwen3-VL-32B-Instruct, que escucha sin parar, decide cuándo hablar y redacta la respuesta; solo difieren en cómo esa respuesta se convierte en sonido.

La versión más rápida, Flash, produce el primer audio en 0,31 segundos y atiende hasta 40 usuarios simultáneos en una sola GPU de 80 GB. La versión de extremo a extremo es una vista previa de investigación que necesita dos GPU de 80 GB. La voz en sí deriva de Fun-CosyVoice3-0.5B, y la licencia Apache 2.0 cubre tanto el código como los pesos, así que los modelos pueden usarse comercialmente.

Según los propios benchmarks del equipo, Sophon-Realtime v1 logra 82,8 en VoiceBench y 81,8 % en Big Bench Audio: primero entre los modelos abiertos bidireccionales y a la altura de GPT-4o-mini-Audio en VoiceBench. Esas cifras las declara el proveedor y las midió el propio equipo, sin verificación independiente, así que tómalas como un motivo para probar los modelos, no como resultados definitivos.

Empezar es una sola línea: pip install sophon-realtime; luego sophon-realtime serve descarga los pesos Tag de unos 42 GB en la primera ejecución y sirve un WebSocket estilo OpenAI Realtime en el puerto 8000, de modo que los clientes Realtime existentes pueden apuntar a él con cambios mínimos.

El lanzamiento importa porque la voz bidireccional —escuchar y hablar a la vez, con interrupciones naturales— ha vivido sobre todo detrás de API cerradas. Una familia de pesos abiertos que corre en una sola GPU de 80 GB da a los desarrolladores una alternativa autoalojada para agentes de voz, gestión de llamadas y asistentes en tiempo real, con pesos, receta de entrenamiento y benchmarks inspeccionables.

Fuentes