Google, OpenAI y Microsoft están invirtiendo activamente en tecnologías que permiten comunicarse con agentes de IA por voz, contando con que la comunicación oral con la IA gane popularidad frente a las consultas por texto. Esta dirección se denomina cada vez más IA de voz. El interés de los inversores lo confirman datos de PitchBook que cita el Financial Times: las startups en el ámbito de la IA de voz captaron alrededor de 7.000 millones de dólares en el primer trimestre de 2026, siete veces más que en el mismo período de 2025.
El cálculo se basa en que el habla irá desplazando gradualmente a la entrada de texto como principal forma de comunicarse con la IA. Los indicadores de los grandes actores del mercado lo confirman.
Google registra un aumento en consultas por voz y visuales
Según Google, el número de consultas en el modo AI Mode se ha más que duplicado cada trimestre desde el lanzamiento del servicio y hasta abril-mayo de 2026. En EE.UU., la voz o las imágenes se utilizan ahora en más de una de cada seis búsquedas, y el número de consultas con imágenes crece más de un 40% al mes. La compañía relaciona esta dinámica con que los usuarios eligen cada vez más un formato de comunicación cercano al habla natural, en lugar de escribir texto.
La apuesta de OpenAI por la voz
De los aproximadamente 900 millones de usuarios activos semanales de ChatGPT —cifra que la compañía anunció a finales de febrero de 2026—, más de 150 millones de personas utilizan cada semana la voz y la dictación para comunicarse con el servicio.
El 8 de julio de 2026, OpenAI lanzó la familia de modelos GPT-Live: GPT-Live-1 y la versión ligera GPT-Live-1 mini. Son modelos full-duplex, capaces de escuchar y responder al interlocutor simultáneamente, sin la pausa habitual de "consulta-respuesta". Precisamente estos modelos forman la base de la actualización de ChatGPT Voice.
Además de la parte de software, OpenAI también prepara un dispositivo separado. Según información de fuentes de Bloomberg, la compañía está desarrollando un altavoz inteligente sin pantalla con cámara y sensores basado en GPT-Live. Su anuncio podría producirse aún en 2026, y se espera su llegada al mercado a principios de 2027.
Microsoft desarrolla la síntesis de voz expresiva
Microsoft presentó en junio de 2026 el modelo MAI-Voice-2, un sintetizador de voz expresivo con soporte para 15 idiomas y control de la carga emocional de la voz. La tecnología ya se está integrando en los productos de la compañía, incluidos Dynamics 365 Contact Center y Azure Voice Live.
Entre las principales áreas en las que las compañías apuestan por la IA de voz se encuentran:
búsqueda y trabajo con agentes de IA mediante habla e imágenes
modelos de voz full-duplex para un diálogo más natural
dispositivos de hardware separados para la interacción por voz
síntesis de voz con control de emociones para servicios corporativos
El aumento de las inversiones y los anuncios simultáneos de Google, OpenAI y Microsoft muestran que las interfaces de voz están pasando de ser funciones experimentales a una dirección de desarrollo independiente para los productos de IA. La mayor difusión de estas tecnologías dependerá de la rapidez con la que los usuarios adapten las nuevas formas de interacción en escenarios cotidianos.
Opinión de la IA
Desde el punto de vista de la dinámica regulatoria, el boom de la IA de voz conlleva un riesgo que inversores y desarrolladores han pasado por alto: la confianza del usuario en la "humanidad" de la interfaz. Mientras Google, OpenAI y Microsoft compiten por la naturalidad del diálogo, diputados de la Duma Estatal ya han enviado a la FAS una propuesta para obligar a los robots de voz a revelar su naturaleza desde los primeros segundos de la llamada. La brecha entre la carrera tecnológica por el "efecto presencia" y los intentos de los reguladores por preservar el límite entre persona y máquina podría convertirse en un factor de mercado tan significativo como el volumen de inversión.
El patrón histórico sugiere precaución: los asistentes de voz ya experimentaron un ciclo de expectativas exageradas en los tiempos de las primeras versiones de Siri y Alexa, cuando la implantación masiva no cumplió con las previsiones de monetización. Sigue siendo una pregunta abierta si la actual ola de modelos full-duplex supondrá un cambio real en la percepción de la tecnología o será otra vuelta del mismo ciclo.
