Los modelos de IA de código abierto son sistemas cuyo peso y código se publican para que cualquiera los descargue, los ejecute en su propio hardware y los adapte a su operación. En octubre de 2026, varios de estos modelos alcanzaron niveles que hasta hace poco eran exclusivos de los grandes laboratorios: un modelo de texto a voz de 35.000 millones de parámetros que se dirige con instrucciones escritas, un generador de video con memoria de escena y un motor que separa la física de los gráficos para que un mundo generado no se desmorone.
La mayoría de las noticias de inteligencia artificial se concentran en cuatro o cinco laboratorios. Mientras tanto, el trabajo que realmente cambia lo que una empresa puede hacer aparece en repositorios de Hugging Face, en GitHub y en demos que casi nadie comparte. Ese es el patrón que se repite esta semana: herramientas que no son titulares, pero que resuelven problemas concretos de producción de contenido, capacitación y simulación.
En este artículo revisamos tres de esos lanzamientos, qué demuestran y qué no, y cómo se traducen en decisiones para una empresa mediana en Perú o Latinoamérica que quiere probar sin comprometer presupuesto.
¿Qué hace especial a Drama 3, el nuevo modelo de texto a voz?
Fish Audio publicó Drama 3 el 13 de octubre de 2026, disponible en su aplicación web, en las apps de iOS y Android, en su API y como pesos abiertos en Hugging Face. La diferencia frente a las herramientas tradicionales es cómo se dirige la interpretación. En lugar de elegir "feliz", "triste" o "enojado" de una lista, escribes la indicación entre corchetes dentro del propio guion, como se la explicarías a un actor.
Un ejemplo del propio material de lanzamiento: la frase "I'm fine. Really, go on without me" puede llevar la dirección [barely holding it together] al inicio, o puedes encerrar solo las palabras "go on without me" para que se digan en un susurro. También admite sonidos puntuales como una respiración entrecortada o una risa corta, ubicados exactamente donde los quieres.
El modelo es una mezcla de expertos de 35.000 millones de parámetros, con unos 3.000 millones activos por token, inicializado a partir del modelo de lenguaje de Qwen3.5-35B-A3B según su informe técnico. Habla 83 idiomas y la dirección puede escribirse en un idioma distinto al de la línea hablada. En la prueba de robustez de pronunciación de Artificial Analysis obtuvo 93,2%, el primer lugar del tablero, por delante de Eleven v4 con 91,7% y Eleven v4 Turbo con 90,1%, y 15 puntos por encima del rival abierto más cercano en esa métrica.
Ahora, el dato que suele omitirse: en la arena de preferencia de voz, donde oyentes comparan modelos a ciegas, Drama 3 quedó en el puesto 10 con un Elo de 1.243 sobre 1.857 enfrentamientos, y en el puesto 14 en la arena de voz controlada con un Elo de 1.058. Es decir, pronuncia mejor que casi cualquier otro modelo, pero no es el que más gente elegiría por gusto. Esa distinción importa si tu caso de uso es un audiolibro completo y no una demostración de treinta segundos.
¿Cómo funciona un modelo de mundo y por qué la memoria era el problema?
Los modelos de mundo generan un entorno de video por el que puedes mover la cámara. El problema clásico es la amnesia: miras hacia otro lado, vuelves y el objeto cambió, desapareció o se deformó, porque el modelo solo recuerda los últimos segundos de lo que dibujó.
Tencent ARC Lab presentó Worldcrafter, que parte de una sola imagen o de una línea de texto y resuelve el problema con una memoria que se consulta por posición de cámara. Cuando apuntas la cámara a un lugar, el sistema recupera las vistas anteriores que coinciden con esa dirección y las vuelve a alimentar al generador. La prueba que usan es elegante: reconstruyen una nube de puntos 3D a partir del video generado. Si el mundo fuera inconsistente, esa reconstrucción saldría como una masa informe; en cambio, obtienen geometría limpia y la trayectoria de cámara vuelve a alinearse cuando revisita un punto. También maneja objetos en movimiento: un caballo que sale de cuadro y sigue ahí cuando la cámara regresa.
El código está en GitHub y hay una versión en Hugging Face para probar. La advertencia es la de siempre: la comparación de 145 escenas la hicieron ellos mismos, así que conviene tomarla como referencia interna y no como resultado independiente.
El segundo enfoque es el de Skyworks con Matrix Game 4.0, que ataca el problema desde otro ángulo: deja de pedirle a la IA que recuerde el mundo. Un motor de juego convencional se encarga de la física, las reglas y la posición de cada objeto, y dibuja una versión tosca de la escena. El modelo de video solo repinta ese cuadro para que se vea terminado. Según el material de presentación, genera hasta 83 cuadros por segundo en 480p con una GPU de consumidor, y el código y los modelos están publicados.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
El primer efecto es de costos y de control. Un modelo de texto a voz con pesos abiertos y licencia que permite uso comercial gratuito por debajo de 500.000 dólares de ingresos anuales cambia la ecuación para una empresa mediana. Una compañía de capacitación en Lima que produce módulos de e-learning puede generar variantes de narración sin contratar locutores para cada iteración, y quedarse con la toma que funciona. La contraparte técnica es real: el modelo requiere hardware serio, con reportes de comunidad que van desde una tarjeta de 48 GB de VRAM hasta una ejecución en dos GPU de consumo con una versión cuantizada a 4 bits. Para la mayoría de empresas, la vía práctica sigue siendo la API.
El segundo efecto es de riesgo. Cualquier herramienta que combine una foto con audio para generar una persona hablando abre la puerta a suplantaciones. Los generadores de video con avatar ya existen y son accesibles, así que la conversación sobre verificación de identidad en videollamadas y en procesos de reclutamiento deja de ser teórica. No es motivo para no usarlos; es motivo para definir políticas internas antes de que alguien las necesite.
El tercer efecto es de oportunidad comercial. Los modelos de mundo todavía están en fase de investigación, pero apuntan a industrias donde Perú tiene actividad intensa: capacitación en seguridad minera, simulación de recorridos en planta, entrenamiento de personal en espacios físicos que no puedes detener para enseñar. Cuando la memoria de escena se vuelva confiable, la simulación deja de ser un video pregrabado y pasa a ser un entorno navegable.
Mi lectura de este grupo de lanzamientos es que la ventaja competitiva se está moviendo del acceso al modelo hacia el diseño del flujo. Tener el mejor modelo disponible no sirve de mucho si nadie definió qué proceso reemplaza. Y aquí conviene ser honesto sobre lo que la fuente no demuestra: no hay evidencia de que estos modelos funcionen igual en español peruano que en inglés, no hay estudios independientes de retorno sobre inversión y no hay garantía de que un modelo abierto siga recibiendo mantenimiento. La licencia de Drama 3, además, es abierta con condiciones, no libre del todo: por encima del umbral de ingresos o para revenderlo como servicio necesitas una licencia de Fish Audio, y prohíbe clonar la voz de una persona real sin su consentimiento.
¿Cómo aplica esto en tu empresa?
Antes de elegir herramienta, elige el proceso. La pregunta útil no es "¿qué modelo es mejor?" sino "¿qué tarea repetitiva de mi equipo produce texto, voz o video, y cuánto cuesta hoy hacerla bien?". Si la respuesta es capacitación interna, atención al cliente por audio o contenido de marketing, hay una ruta de prueba concreta.
Primero, define un piloto de una sola tarea y con una métrica clara, por ejemplo cuántas horas toma producir un módulo de diez minutos hoy frente a cuántas toma con la herramienta. Segundo, revisa la licencia antes que la demo: el umbral de ingresos, la restricción de reventa y las reglas de consentimiento de voz son las que definen si puedes usar el resultado en producción. Tercero, verifica el modelo que realmente responde. En el caso de Drama 3, el propio material de Fish Audio advierte que la API puede caer silenciosamente en modelos anteriores si no fijas el identificador correcto, y seguirás pagando aunque el resultado no sea el nuevo.
Cuarto, separa el experimento del compromiso. Prueba con la API antes de invertir en hardware, y solo considera infraestructura propia cuando el volumen y la confidencialidad del contenido lo justifiquen. Si quieres ordenar este tipo de evaluación en tu operación, puedes conversar con nosotros sobre tu caso y revisar juntos qué automatización tiene sentido primero. También puedes conocer ContentFlow si tu interés está en producir contenido con apoyo de IA.
Preguntas Frecuentes
¿Drama 3 se puede usar gratis en una empresa?
Los pesos están publicados en Hugging Face bajo la licencia Fish Audio Community License v1.0. Es gratuito para investigación y uso no comercial, y gratuito para uso comercial si tú y tus empresas afiliadas facturan menos de 500.000 dólares anuales. Por encima de ese umbral, o si quieres ofrecer Drama 3 a terceros como servicio de texto a voz, clonación de voz o inferencia, necesitas una licencia de Fish Audio. La licencia también prohíbe clonar la voz de una persona real sin su consentimiento.
¿Cuánta memoria de video necesito para ejecutar un modelo de texto a voz abierto?
Depende del modelo y de la cuantización. Para Drama 3, la tarjeta del modelo reporta 36.000 millones de parámetros en FP8 y bf16, y los reportes de la comunidad el día del lanzamiento iban desde una tarjeta CUDA de 48 GB hasta una ejecución en dos RTX 3090 con unos 39 GB de VRAM usando una versión cuantizada. No es un modelo que corra en una laptop convencional. Si tu volumen no justifica ese hardware, la API es la ruta razonable para empezar.
¿Qué diferencia hay entre un modelo de mundo y un generador de video normal?
Un generador de video normal produce un clip con una trayectoria de cámara fija. Un modelo de mundo genera un entorno por el que puedes moverte y volver sobre tus pasos, y el reto técnico es que recuerde lo que ya mostró. Worldcrafter lo aborda guardando vistas asociadas a posiciones de cámara y recuperándolas cuando la cámara regresa al mismo punto. Matrix Game 4.0 lo aborda al revés: un motor de juego mantiene la física y las reglas, y el modelo de video solo repinta el cuadro, de modo que nada depende de la memoria del generador.
Conclusión: ¿por dónde empezar con los modelos de IA de código abierto?
La semana dejó una lección práctica más que un titular. Las capacidades que antes definían a un laboratorio grande están apareciendo en modelos descargables, con licencias que una empresa mediana puede cumplir y con costos de API que caen cuando hay competencia abierta. El cuello de botella se movió: ya no es el acceso a la tecnología, es la claridad sobre qué proceso vas a cambiar y cómo vas a medir si funcionó.
Elige una tarea, define la métrica, revisa la licencia y prueba con la API antes de comprar hardware. Si quieres revisar qué automatización conviene implementar primero en tu operación, puedes contactar a Consultoría TI y lo evaluamos con datos de tu empresa.
Por Edgar Vásquez, Consultoría TI · actualizado el 21 de octubre de 2026
Fuentes y Referencias
- Matt Wolfe — AI Breakthroughs Everyone Missed (YouTube)
- eesel.ai — Fish Audio Drama 3: pricing, access, and what is new
- eesel.ai — Fish Audio Drama 3 review: open-weight TTS you can direct
- kie.ai — Fish Audio Drama 3 Release: 35B MoE TTS Deep Dive
- VoiceSmiths — Fish Audio Drama 3 vs Eleven v4
✨ Contenido generado con ContentFlow — Consultoría-Ti