ElevenLabs acaba de levantar 500 millones de dólares con una idea muy concreta sobre la mesa: la voz no es un extra simpático para la IA, sino la próxima gran interfaz, una que aspira a comerse al texto y a la pantalla. No es una intuición vaga ni una promesa futurista; es una apuesta directa por cómo vamos a interactuar con la tecnología en los próximos años.
Su CEO y cofundador, Mati Staniszewski, lo dijo sin rodeos durante el Web Summit de Doha: estamos entrando en una fase donde hablarle a las máquinas será más natural que teclearles. La ronda llega, además, con una valoración de 11.000 millones de dólares, una cifra que puede parecer exagerada a primera vista, pero que encaja bastante bien con la dirección que está tomando todo el sector de la IA.
Y aquí está el matiz importante: el objetivo no es simplemente “hacer voces realistas”. El verdadero salto está en unir voz y razonamiento, porque cuando ambas piezas se integran, la experiencia deja de ser cosmética y empieza a cambiar de verdad cómo usamos la tecnología.
Según Staniszewski, los modelos de voz han evolucionado rápidamente. Han pasado de centrarse en imitar el habla humana —entonación, emoción, ritmo— a trabajar en tándem con las capacidades de los grandes modelos de lenguaje. Eso implica que la voz deja de ser un “output bonito” y se convierte en el canal principal para interactuar con sistemas que entienden contexto y toman decisiones.
La diferencia es sutil, pero profunda. Ya no se trata de que tu asistente suene más humano, sino de que se comporte de forma realmente útil, con conversaciones que no parecen demos eternas, sino herramientas cotidianas. A esto se suma un detalle clave: cuanto mejor razona la IA, menos tienes que explicar tú, lo que reduce fricción y hace que la interacción fluya.
Eso sí, este cambio también eleva el listón. Cuando la interacción es por voz, la latencia, los silencios incómodos y las respuestas robóticas se notan mucho más. Lo que en texto se tolera, en voz se vuelve frustrante en segundos.
También te puede interesar:ElevenLabs Estrena Su App Móvil de IA para Generación de Texto a Voz en Android y iOSStaniszewski dibuja un escenario bastante concreto para los próximos años: guardas el móvil en el bolsillo y controlas la tecnología hablando, mientras sigues atento al mundo real. La promesa es clara: menos dependencia de la “pantallita” y más presencia continua de la IA en tu día a día.
En este enfoque, la voz funciona como un mando a distancia universal para tu vida digital, algo que encaja perfectamente con la explosión de wearables, auriculares, coches conectados y otros dispositivos que no están pensados para que pases el día tocando cristal. La interfaz deja de ser una app que abres y cierras, y pasa a ser un compañero persistente que está ahí cuando lo necesitas.
Pero para que esa visión funcione, no basta con reconocimiento de voz. Hace falta memoria, contexto y una IA que no te obligue a dar instrucciones como si fuera un robot de principios de los 2000.
En ese mismo marco, Seth Pierrepont, socio general de Iconiq Capital, lanzó una frase que incomoda a cualquiera que ame el teclado: los métodos tradicionales empiezan a parecer obsoletos. Su argumento es que las pantallas seguirán teniendo sentido para juegos y entretenimiento, pero para muchas tareas diarias vamos claramente hacia otra cosa.
Cuando los sistemas se vuelven más “agénticos”, la interacción cambia por completo. El modelo ya no espera instrucciones paso a paso, sino que trae guardarraíles, integraciones y contexto suficientes para resolver tareas sin microgestión constante. Staniszewski lo subraya como una de las transformaciones más importantes en marcha: la IA deja de ser un chat que responde y se convierte en un sistema que ejecuta, coordina y recuerda.
Aquí entra una pieza que suele generar incomodidad: la memoria persistente. Los sistemas de voz del futuro dependerán cada vez más de recordar cosas a lo largo del tiempo, acumulando contexto para que hablarles sea natural y menos exigente. La idea es sencilla: no tener que repetir “como te dije ayer” una y otra vez, y que el sistema entienda tu rutina, tus preferencias y tu forma de pedir las cosas.
También te puede interesar:Nuevo Modelo de ElevenLabs Promete Música Lista Para Vender… ¿Pero a Qué Costo?Este salto conceptual también obliga a mover fichas a nivel técnico. Staniszewski apunta a un despliegue híbrido que combine procesamiento en la nube y procesamiento en el dispositivo. La razón es práctica: si quieres voz siempre disponible en auriculares y wearables, no puedes depender al 100% de servidores remotos.
Parte del trabajo tendrá que ejecutarse cerca de ti para reducir latencia, aguantar mejor conexiones inestables y evitar que la experiencia se rompa a la mínima. La nube, eso sí, no desaparece. Sigue siendo esencial para escalar capacidades pesadas, actualizar modelos y ejecutar tareas complejas cuando hace falta.
La combinación suena, en teoría, a lo mejor de ambos mundos. La pregunta real es quién controla ese equilibrio y qué datos se quedan en cada lado.
La apuesta de ElevenLabs no viene sola. OpenAI y Google han colocado la voz en el centro de sus modelos de nueva generación, una señal clara de que ven en el audio una nueva puerta de entrada masiva a usuarios que no quieren —o no pueden— vivir pegados a una interfaz de chat.
Apple también aparece en este tablero. Todo apunta a que está construyendo tecnologías de voz siempre activas, con movimientos corporativos como la adquisición de Q.ai. Para ElevenLabs, sin embargo, el vínculo más tangible es con Meta. Ambas compañías ya colaboran para llevar tecnología de voz a productos como Instagram y Horizon Worlds.
Staniszewski incluso se mostró abierto a trabajar con Meta en sus gafas inteligentes Ray-Ban, un tipo de dispositivo donde hablar tiene mucho más sentido que tocar una pantalla.
Cuanto más persistente e integrada esté la voz en tu hardware cotidiano, más grande se vuelve el elefante en la habitación: la privacidad. Si el sistema necesita memoria y contexto, hablamos de almacenar datos personales de una forma mucho más íntima que un simple historial de búsquedas.
El texto recuerda que compañías como Google ya han sido acusadas de abusos en sistemas de voz, lo que pone sobre la mesa riesgos reales de vigilancia y recopilación excesiva de datos. No es lo mismo pedir “pon una alarma” que convivir con un compañero constante que escucha, interpreta y guarda contexto para mañana.
La voz como interfaz puede ser extraordinariamente cómoda, pero también una puerta enorme a que tu vida se convierta en datos. Con 500 millones de dólares nuevos en la cuenta, ElevenLabs tiene combustible de sobra para empujar esta transición. La incógnita es si la industria será capaz de hacerla tan práctica como segura, porque si no, la promesa del móvil en el bolsillo podría transformarse en algo muy distinto: el micrófono en la nuca.
Me dedico al SEO y la monetización con proyectos propios desde 2019. Un friki de las nuevas tecnologías desde que tengo uso de razón.
Estoy loco por la Inteligencia Artificial y la automatización.
La Newsletter Diaria Sobre Inteligencia Artificial. Además: Portal de Noticias, Tutoriales, Tips y Trucos de ChatGpt, Openai e Inteligencia Artificial.
Nuestra web está alojada en:
