Modelos que deciden rápido y modelos que piensan despacio
Modelos rápidos, modelos de razonamiento y la nueva familia de modelos que solo deciden, como Jev: qué aporta cada uno en un agente de voz, donde la latencia manda, y cómo combinarlos.
Carlos Muñoz-Romero
Cofundador de Monoceros Labs
Carlos Muñoz-Romero es cofundador de Monoceros Labs y dirige la tecnología de Fonos, nuestro estudio de voz y localización. Coordina el desarrollo de los modelos propios de síntesis de voz en español, que nacieron de un proyecto NEOTEC del CDTI (2020) en colaboración con la Universidad Rey Juan Carlos y RTVE, y que están detrás de Victoria, la voz de PRISA para noticias deportivas, y de las noticias habladas de RTVE en la noche electoral de 2023.
Ingeniero en Informática por la Universidad Carlos III de Madrid, máster en Ciencia de Datos por la UOC (2026) y MBA en negocio audiovisual por la Carlos III. Su trabajo fin de máster, sobre síntesis de voz a partir de la imagen de un rostro, ha dado lugar a un artículo aceptado en IberSPEECH 2026. Es coautor del artículo de la Cátedra RTVE-UGR sobre síntesis de voz y verificación de noticias (Applied Sciences, 2024).
Antes de Monoceros creó desde cero el departamento de innovación de BEEVA, hoy BBVA Technology, y fue su director global de innovación y miembro del comité de dirección, con equipos de laboratorio y experiencia de usuario en España y México. Enseña IA generativa en el máster de la UNIR desde 2024.
Artículos de Carlos Muñoz-Romero
¿Cómo sonaría esta cara? Voces sintéticas a partir de una sola foto
Presentamos en IberSpeech 2026 un método que genera una voz plausible a partir de una foto. Te contamos cómo funciona, qué hemos medido y hasta dónde llega.
¿Se puede saber si un texto lo ha escrito una IA?
Marcas de agua y detectores de texto generado por IA: cómo funcionan, por qué fallan con textos humanos y por qué en audio e imagen el problema va más avanzado.
¿Cuántos agentes hacen falta para atender una llamada?
Sistemas multiagente: cuándo compensa repartir una tarea entre varios agentes de IA, cuándo complica más de lo que resuelve y qué cambia en una llamada.
Tres formas de montar un agente de voz y ninguna es perfecta
Agentes de voz en cascada, voz a voz o híbridos: cómo funciona cada arquitectura, qué ganas y qué pierdes en latencia, control y voz, y cuándo elegir cada una.
¿Por qué no me entiende mi asistente de voz?
Ruido, acento, palabras raras o un turno cortado: dónde se rompe la cadena entre lo que dices y lo que entiende un asistente de voz, y qué se puede hacer.
Antes de clonar una voz, pregunta de quién es
La voz identifica a una persona y la ley la protege. Qué dicen las normas española y europea, qué casos lo muestran y qué debe incluir un acuerdo de cesión.
¿Qué copia exactamente una voz sintética?
Timbre, entonación, pausas, pronunciación y acento: qué aprende un modelo de síntesis de voz de las grabaciones, qué imita bien y dónde sigue fallando.
¿Cuántos minutos de voz hacen falta para clonar una voz?
Clonar una voz puede pedir tres segundos de audio o varias horas. Te explicamos la clonación zero-shot, la profesional y la conversión de voz, y cuándo usarlas.
En evolución constante
Tras nuestro tercer año, reflexionamos sobre nuestra evolución interna y externa, acompañado del cambio de marca.