La voz con IA es uno de los sectores en los que los fondos de Silicon Valley han admitido públicamente haberse quedado fuera colectivamente.
El equipo de Noiz lleva más tiempo en este camino que la mayoría: MockingBird en código abierto, millones de usuarios, un ARR que se acerca a los 4 millones de dólares. Estas son las diez ideas que consideramos más importantes de recordar, tanto para creadores como para inversores y colegas del sector.
Contenido
Nada de tragamonedas de audio — productividad de ciclo cerrado
El contenido corto es una variable estructural, no una casilla más
La fusión modelo-producto es una estrategia deliberada, no un plan B
El sector sigue siendo de suma positiva — la penetración no llega al 10%
Tres prioridades a corto plazo: ingeniería, contenido corto, próximo motor
El ADN del equipo: algoritmos y buen oído, en la misma sala
Noiz tiene cerca de 30 personas, en su mayoría de la Generación Z, con casi la mitad procedente de Tsinghua y la Universidad de Pekín. El fundador, Chen Weijia, fue uno de los primeros ingenieros de ASR en Meta, luego cofundó Yufu Tech (adquirida por Tencent), y pasó un tiempo profundizando en Agentes dentro de TikTok. El CEO, Chen Qian, aporta casi 20 años de experiencia en música y llegó a dirigir la Sociedad de Música China de la Universidad de Pekín. El responsable de algoritmos, Zeyue Tian, tiene un doctorado de HKUST y es primer autor de papers de primer nivel como AudioX y Audio-Omni.
Chen Qian lo dejó claro en la entrevista: un modelo de voz necesita algo más que algoritmos — necesita buen oído y sensibilidad artística. Buena parte de los ingenieros del equipo son exganadores de concursos de canto universitarios o compositores de bandas independientes. La cultura de la empresa rechaza explícitamente el trabajo puramente mecánico: la idea es que primero hay que amar la vida de verdad, para poder desarrollar una sensibilidad natural hacia la emoción, la textura y el ritmo del sonido.
Eso explica por qué los usuarios mencionan tanto el "buen gusto" de Noiz: el producto no se construye traduciendo métricas de un paper en botones, sino poniendo primero si esto realmente suena bien.
Nada de tragamonedas de audio — productividad de ciclo cerrado
La industria todavía está en la "fase de la ruleta": generar repetidamente, probar suerte, baja eficiencia. La IA de imagen ya llegó a una etapa madura y editable con precisión; el audio se dirige inevitablemente hacia la misma trinidad de entender → generar → editar.
El objetivo de la capa de producto de Noiz es un Studio: el usuario no debería tener que saltar entre tres herramientas — generación, edición, banda sonora y localización multilingüe deberían ocurrir en un mismo flujo continuo. La capa de modelo ya ha lanzado más de una docena de modelos de audio de pila completa, con versiones menores que salen incluso cada tres días. Que Audio-Omni haya sido aceptado en SIGGRAPH 2026 es esa misma filosofía de "sin tragamonedas", escrita directamente en un paper.
Un motor auditivo tiene que existir de forma independiente
Los grandes modelos multimodales pueden empaquetar y producir audio y video juntos, pero Chen Qian mantiene una postura firme: las ondas de luz y las ondas mecánicas son, físicamente, dos cosas distintas. Los motores de visión y los motores de audio están separados desde el nivel más básico de la arquitectura. Un modelo de mundo visual no tiene datos de audio, así que no puede generar un sonido de impacto físicamente coherente; la audición espacial, los campos sonoros de 360° y la atenuación por distancia tampoco se pueden entrenar a partir de datos visuales.
Un modelo de audio y un motor auditivo independientes son una necesidad real a largo plazo. Los modelos de fusión ligeros cuestan menos, pero no pueden sostener creación profesional ni audio espacial.
El contenido corto es una variable estructural, no una casilla más
ElevenLabs se especializa aún más en contenido largo: estabilidad de voz, calidad cinematográfica. La otra gran apuesta de Noiz son las series cortas y el video corto: atrapar a alguien en cinco segundos, ritmo de alta densidad, intensidad emocional fuerte. Esto no es añadir un "modo series cortas" en un menú — requiere reentrenar desde la capa de modelo:
Capa de datos: incorporar masivamente corpus nativos de video corto, series cortas y e-commerce
Capa de resultado: cobertura completa desde un 60 hasta un 95, apoyada en capacidad de edición para corregir defectos
Capa emocional: reforzar la expresividad de alegría, ira, tristeza y dicha, ajustada a esa sensación satisfactoria y adictiva
La elección de 400.000 creadores de video corto y motion comics en el mercado local confirma que hay demanda real para este camino.
Encajar importa más que sonar limpio
El doblaje de cine y series necesita un audio limpio de estudio. La locución de e-commerce, en cambio, no debería buscar una claridad excesiva — un poco de ruido ambiental resulta, de hecho, más creíble. Lo que quieren los usuarios no es solo "que se escuche bien", sino la calidad del ajuste: si la voz encaja con la escena, la plataforma y la emoción, todo en la misma frecuencia.
Este criterio influye directamente en los valores por defecto del producto. El mismo motor, al servir un video explicativo o una escena de confrontación en una serie corta, debería aplicar una lógica de parámetros distinta.
La fusión modelo-producto es una estrategia deliberada, no un plan B
Los proveedores de modelos de voz suelen operar con una doble vía de capa de modelo y capa de producto. Para Noiz, esto es una elección deliberada: la iteración del modelo se mantiene directamente alineada con escenarios reales de usuario, y el feedback del producto guía a su vez la investigación, formando un ciclo con una señal muy limpia. El progreso del modelo empuja la evolución de la aplicación; los datos de la aplicación empujan la optimización del modelo — caminando con las dos piernas a la vez, en lugar de esperar a que el ecosistema madure para añadir después una capa de producto.
La base se puede comoditizar — el buen gusto, nunca
¿Se comoditizará la voz igual que los modelos de texto? La lectura del equipo es esta: la tendencia existe, pero el componente artístico marca un techo. Igual que la música, la voz no puede convertirse por completo en un producto estandarizado. La marca, el buen oído, la capacidad de adaptarse a cada escena, las herramientas y el ecosistema generan una diferenciación duradera. El video corto, el cine y la televisión, y la interacción con hardware terminarán teniendo, cada uno, sus propias soluciones de audio dedicadas.
El sector sigue siendo de suma positiva — la penetración no llega al 10%
Lightspeed estimó la cuota de ElevenLabs entre creadores en alrededor del 60%. El contraargumento de Chen Qian no busca disputar esa cuota de frente, sino mirar el mercado completo: la penetración de herramientas de voz con IA entre creadores todavía no llega al 10%. Que ElevenLabs haya sumado 100 millones de dólares de ARR en un solo trimestre indica que el mercado está creciendo, no que sea un juego de suma cero.
Noiz ya superó el millón de usuarios en todo el mundo, con un ARR cercano a los 4 millones de dólares, y cerró rondas seed y seed+ en apenas medio año tras su constitución formal, con inversores como Northern Light Venture Capital e Innoangel Fund. Las cifras muestran que el sector todavía está en una fase temprana de expansión, no en una pelea por un pastel fijo.
Un corpus de alta calidad es el foso a largo plazo
Noiz pone en primer lugar el corpus de alta calidad. Más allá de la obtención conforme a las normas, la capacidad de seleccionar y ajustar los datos a cada escenario es el verdadero diferenciador. La arquitectura importa, pero con talento de primer nivel en el equipo, la arquitectura por sí sola rara vez se convierte en un foso permanente.
Tres prioridades a corto plazo: ingeniería, contenido corto, próximo motor
Noiz tiene tres prioridades a corto plazo:
Llevar Audio-Omni a producción real, camino a la comercialización
Profundizar en escenarios de contenido corto, para consolidar la diferenciación
Desarrollar el motor de audio con IA de próxima generación, cubriendo videojuegos, espacios virtuales e interacción auditiva con cuerpo físico y hardware
Si trabajas con series cortas, motion comics o video corto de alta densidad, las dos ideas más fáciles de aplicar ahora mismo son: encajar importa más que sonar limpio, y la intensidad emocional importa más que el pulido cinematográfico. Abre Noiz Text-to-Speech, prueba la misma línea de confrontación con un tono "explicativo" y otro "dramático", y escucharás exactamente dónde ha puesto el equipo sus recursos.
Prueba el texto a voz de Noiz AI →