ACE-Step 1.5 - Música Generada por IA

Este texto presenta ACE-Step v1.5, un modelo de base musical de código abierto diseñado para generar audio de calidad profesional en hardware de consumo. Desarrollado en colaboración entre ACE Studio y StepFun, el modelo utiliza una arquitectura híbrida que separa la planificación estructural de alto nivel mediante un Modelo de Lenguaje de la representación acústica detallada mediante un Transformador de Difusión. Este marco admite diversas tareas creativas, como la síntesis de texto a música, la extracción de pistas y la conversión de voz a música de fondo, manteniendo una alta fidelidad y eficiencia. Mediante la implementación de destilación adversaria avanzada, el sistema alcanza velocidades de generación inferiores a un segundo y se ejecuta localmente con requisitos mínimos de memoria. Los autores también detallan un proceso de anotación basado en aprendizaje por refuerzo y una rigurosa lista de verificación de usabilidad para garantizar que el modelo cumpla con los estándares de producción profesional en más de 50 idiomas. En definitiva, el proyecto busca democratizar la producción musical profesional al proporcionar una alternativa accesible y de alto rendimiento a las herramientas propietarias de código cerrado.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema:

• "ACE-Step 1.5: Pushing the Boundaries of Open-Source Music Generation", por Junmin Gong y colegas. Publicado el 6 de Febrero del 2026.
• Ejemplos en GitHub
• Playground en HuggingFace
• Código fuente, en GitHub

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Bienvenidos al análisis profundo de hoy. Si eres de los que ama aprender, estás constantemente curioso, pero a la vez detestas por completo esa sensación de, ya sabes, sobrecarga de información, estás en el lugar exactamente correcto.

Alicia
De verdad.

Beto
Sí, hemos filtrado el ruido por ti. Y hoy, quiero decir, vas a encontrar este tema increíblemente fascinante.

Alicia
Hoy es realmente algo especial. El material fuente para esta inmersión profunda es un artículo de investigación recién publicado, salido de prensa en febrero de 2026.

Beto
Correcto.

Alicia
Nos llega de los investigadores de ACE Studio y StepFun, y detalla este cambio monumental en la forma en que la inteligencia artificial maneja la generación de audio.

Beto
Para ponerte en situación, quiero que imagines estar sentado frente a tu ordenador, escribiendo un prompt de texto y generando una canción totalmente original, comercialmente viable y de larga duración.

Alicia
Una canción real.

Beto
Sí, una pista estructurada: verso, estribillo, puente, todo el paquete. Ahora imagina hacer eso en menos de 10 segundos.

Alicia
Que ya de por sí es una marca impresionante, pero el contexto de cómo está sucediendo es lo que convierte a este artículo en un verdadero hito.

Beto
Porque aquí es donde se pone realmente interesante. Imagina hacer todo eso completamente en local, en tu propia máquina, usando solo una tarjeta gráfica de consumo estándar.

Alicia
Nada de granjas de servidores masivas.

Beto
Exacto. Sin una suscripción cara a la nube de algún conglomerado tecnológico, sin esperar en una cola de servidor. Ni siquiera necesitarías una conexión activa a internet para que funcione.

Alicia
Suena como una capacidad que debería estar bloqueada detrás de hardware a nivel empresarial. Pero esa es la realidad que presenta ACE Step 1.5.

Beto
Wow.

Alicia
Sí. Es un modelo base musical de código abierto. Está, efectivamente, tendiendo un puente sobre la enorme brecha que existía entre los modelos de IA propietarios y de código cerrado y los creadores cotidianos. Estamos viendo la completa democratización de la producción musical profesional. Lleva la síntesis de calidad de estudio directamente al portátil que tienes sobre la mesa.

Ace-Step 1.5

Beto
Y para entender el salto masivo que representa ACE Step 1.5, tenemos que mirar al problema central que lastraba a los modelos de código abierto anteriores.

Alicia
Correcto, las arquitecturas antiguas.

Beto
Piensa en iteraciones previas como ACE Step versión 1.0, demostraron que el texto a música era posible, pero eran esencialmente una gran caja negra. Tenían muchos problemas con la consistencia semántica.

Alicia
Pedías una pista de jazz animada ...

Beto
... y te devolvían una balada blues lenta.

Alicia
Exacto.

Beto
Y la fidelidad de audio no era de nivel profesional. Parecía que esos modelos intentaban hacer demasiado trabajo pesado al mismo tiempo.

Alicia
Sí, los investigadores diagnosticaron ese cuello de botella mirando la arquitectura fundamental. Los modelos anteriores operaban de extremo a extremo. Introducías un prompt de texto y la IA intentaba producir un archivo de audio finalizado y mezclado en un único paso masivo y enrevesado. Tenía que resolver la teoría musical, la estructura lírica, la instrumentación y el renderizado acústico todo al mismo tiempo.

Beto
Me recuerda a una banda de un solo hombre: alguien intentando componer música compleja, escribir poesía para las letras y, al mismo tiempo, tocar la batería, la guitarra y la armónica en el mismo momento.

Alicia
Es una analogía perfecta.

Beto
Por supuesto que la salida iba a ser un desastre. El ritmo divaga, las letras no tienen sentido o los instrumentos simplemente chocan. Entonces, ¿cómo desenredaron ese lío en la versión 1.5?

Alicia
La solución que desarrollaron se llama arquitectura híbrida de difusión con razonamiento. En lugar de una entidad monolítica intentando manejar todo el proceso creativo, separaron explícitamente la carga de trabajo en dos roles distintos. Desacoplaron la lógica de la música, del renderizado real del sonido.

Beto
Desacoplaron el cerebro de la banda.

Alicia
Exacto. La primera mitad del sistema es el modelo de lenguaje, o LM, que actúa como agente compositor.

Beto
Así que el modelo de lenguaje es el cerebro de la operación. Leí el desglose de cómo funciona este agente compositor, y ni siquiera toca el audio al principio, ¿no? Solo se centra en la estructura.

Alicia
Esa separación de funciones es clave. Cuando le das al modelo un prompt vago, el LM usa razonamiento en "cadena de pensamiento" ("chain-of-thought") para traducir tu idea en planos altamente estructurados.

Beto
Simplemente piensa.

Alicia
Cierto. Piensa en el formato de las letras, calcula la duración total de la pista, determina los BPM exactos, la tonalidad musical y la estructura general de la canción, como dónde entra el estribillo y cuándo se construye el puente.

Beto
Está escribiendo la partitura y organizando la sesión de grabación antes de que se toque una sola nota.

Alicia
Sí. Y al encargarse de toda esa planificación estructural compleja por adelantado, crea un conjunto de instrucciones prístinas y sin ambigüedad. Ese plano estructural se entrega luego a la segunda mitad de la arquitectura: el transformador de difusión, el DIT.

Beto
La banda.

Alicia
El DIT actúa como el renderizador acústico. Dado que el modelo de lenguaje ya resolvió todos los problemas estructurales y lógicos, el DIT queda liberado para centrarse enteramente en el sonido.

Beto
No tiene que pensar en la letra.

Alicia
Exacto. No desperdicia potencia computacional preocupándose por si el estribillo debe repetirse o si el esquema de rimas tiene sentido. Solo se centra en la riqueza acústica, la claridad instrumental y en separar perfectamente las diferentes frecuencias sonoras.

Beto
Vale, desempacemos esa calidad de sonido, porque honestamente ese siempre ha sido mi mayor queja con la música AI de código abierto.

Alicia
Los problemas de fidelidad.

Beto
Sí, recuerdo haber generado canciones rock hace un año y siempre sonaban como si la banda tocara bajo el agua.

Alicia
Correcto, ese sonido “swishy”.

Beto
Todo estaba amortiguado, la batería sonaba como cartón y había un siseo digital extraño sobre todo. ¿Por qué ocurría eso en primer lugar y cómo arregla esta nueva arquitectura ese cuello de botella acústico?

Alicia
Ese artifacto submarino es un síntoma clásico de cómo se representaba el audio matemáticamente. Los modelos antiguos, incluida la primera versión de ACE Step, se basaban en algo llamado espectrogramas Mel en 2D. Un espectrograma Mel traduce las formas de onda de audio en una representación visual 2D. Es básicamente un mapa de impactos de las frecuencias sonoras a lo largo del tiempo. Así, la IA manipulaba esa imagen y luego intentaba volver a traducirla a una forma de onda de audio.

Beto
Eso se parece a tomar un gráfico vectorial nítido, rasterizarlo en un JPEG de baja resolución, editar el JPEG y luego intentar convertirlo de nuevo mágicamente en un vector impecable: en la traducción se pierde información.

Alicia
Esa es una manera brillante de enmarcarlo. El proceso de traducción causa inherentemente lo que los ingenieros de audio llaman pérdida de fase. Difumina los datos de audio. Pierdes los transitorios agudos de alta frecuencia. Por eso la percusión nítida, como el golpe seco de una caja o el punteo cortante de un bajo, terminaba sonando pastoso y completamente arruinado en esos modelos antiguos.

Beto
Pero el artículo menciona que ACE Step 1.5 abandona por completo esos espectrogramas Mel 2D. Pasa al dominio de la forma de onda pura: un autoencoder variacional unidimensional (VAE). Aquí tengo que jugar al escéptico por un segundo: las especificaciones afirman que este VAE 1D toma un archivo de audio estéreo sin comprimir a 48 kHz y lo comprime en un espacio latente pequeñísimo, logrando una tasa de compresión de 1920 veces.

Alicia
Es una cifra asombrosa.

Beto
Lo es. Cualquiera que haya guardado un MP3 sabe que la compresión agresiva suele destruir las frecuencias altas. ¿Realmente afirman una compresión 1920× sin artefactos?

Alicia
Lo clasifican como calidad perceptual casi sin pérdidas. Y la ingeniería detrás es lo que hace viable esa compresión masiva. Al operar directamente sobre la señal de audio 1D, en lugar de traducirla a una imagen 2D, el VAE preserva la información de fase y esas frecuencias altas cruciales.

Beto
Así que no hay traducción tipo JPEG.

Alicia
Correcto. Matemáticamente traduce el audio a un código denso comprimido que la IA puede manipular fácilmente sin descartar los datos transitorios que dan pegada a los instrumentos.

Beto
Si está comprimiendo los archivos a una fracción de su tamaño original mientras retiene esos datos, esa tiene que ser la razón por la que puede funcionar tan rápido en local.

Alicia
Absolutamente.

Beto
Estamos hablando de ejecutar este modelo con menos de cuatro gigabytes de VRAM. Para ponerlo en contexto, los portátiles modernos de gama media suelen tener el doble de memoria. Y está renderizando estas canciones completas en decenas de segundos en hardware empresarial de alto nivel o en menos de 10 segundos en una RTX 3090 de consumo estándar.

Pero otra vez, los modelos de difusión son notoriamente lentos. Por lo general toman docenas de pasos iterativos para esculpir el sonido a partir de ruido estático. ¿Cómo se mueve así de rápido?

Alicia
La trayectoria tradicional de difusión es un proceso muy lento y meticuloso: empiezas desde ruido gaussiano puro y das quizá entre 50 y 100 pequeños pasos para refinar el audio. ACE Step 1.5 sortea ese cuello de botella mediante un proceso especializado llamado destilación adversarial de desplazamiento dinámico.

Beto
Desglosemos la destilación adversarial de desplazamiento dinámico para quien no esté muy metido en arquitecturas de aprendizaje automático:

Alicia
Esencialmente entrenaron un modelo estudiante más pequeño y rápido para imitar al modelo profesor lento y meticuloso, pero lo hicieron de forma agresiva. Comprimieron la trayectoria de generación de esos 50 pasos individuales a solo 4–8 pasos.

Beto
Así que el modelo toma atajos algorítmicos masivos para llegar al archivo de audio final más rápido.

Alicia
Atajos altamente calculados, sí. Al usar un método de entrenamiento adversarial, que enfrenta al modelo generativo contra un modelo crítico que evalúa constantemente la salida y lo fuerza a mantener alta fidelidad, logran una aceleración de 100 veces. El crítico asegura que pasar de 50 pasos a 4 no resulte en ese sonido pastoso submarino que comentamos antes.

Beto
Es ingeniería increíble. Pero un modelo de IA es, en última instancia, tan bueno como los datos con los que se le alimenta.

Alicia
Cierto.

Beto
Los investigadores afirman que ACE Step 1.5 puede manejar más de 50 idiomas diferentes y más de 2000 estilos musicales distintos. ¿Cómo construyes una infraestructura de datos capaz de enseñar a un modelo ese nivel de teoría musical global sin simplemente raspar internet entero en un montón caótico?

Alicia
En realidad estamos viendo un cambio filosófico mayor en el entrenamiento de IA con este artículo. La industria se está alejando del enfoque “primero la cantidad”, donde simplemente vuelcas datos crudos y no curados en un servidor masivo y esperas que la IA encuentre el patrón.

Beto
El viejo método de fuerza bruta.

Alicia
Exacto. ACE Step 1.5 se construyó con un paradigma de alineamiento primero. Los investigadores priorizaron una precisión extrema sobre el volumen bruto.

Beto
Comenzaron usando Gemini 2.5 Pro para anotar cuidadosamente un conjunto dorado de 5 millones de muestras de audio.

Alicia
Sí.

Beto
Y luego usaron ese conjunto dorado prístino y de alta precisión para entrenar sus propios modelos internos especializados, a los que llamaron ACE-Captioner y ACE-Transcriber.

Alicia
Correcto.

Beto
Una vez que esos modelos internos fueron lo suficientemente inteligentes para reconocer matices musicales complejos, los dejaron procesar y anotar un conjunto de datos mucho mayor de 27 millones de muestras.

Alicia
Ese método de entrenamiento jerárquico asegura que los datos estén limpios.

Pero el obstáculo lingüístico sigue siendo enorme. Cuando un modelo necesita cantar en 50 idiomas, particularmente en idiomas no románicos como chino, japonés o tailandés, tiene que aprender miles de caracteres únicos y cómo se correlacionan con las vocalizaciones humanas.

Beto
Eso requiere un vocabulario interno masivo, lo cual ralentiza naturalmente cualquier modelo. Y aquí entra mi parte favorita de la metodología ...

Alicia
... los fonemas.

Beto
Sí. Para resolver la inflación del vocabulario, usaron el ingenioso truco llamado romanización estocástica.

Alicia
Es un brillante ejemplo de cómo una ingeniería de datos astuta puede sortear limitaciones computacionales masivas.

Beto
Para enseñar al modelo idiomas no románicos, tomaron aleatoriamente el 50% de las letras durante la fase de entrenamiento y las convirtieron en fonemas: solo los sonidos fonéticos de las palabras escritos en alfabeto romano. Haciendo esto, el modelo de pronto se da cuenta de que el sonido físico de la boca requerido para cierta sílaba en japonés se pronuncia exactamente igual que esta otra sílaba en español.

Alicia
Conecta los puntos.

Beto
Permitió al IA compartir reglas de pronunciación entre familias lingüísticas completamente distintas.

Alicia
Reduce drásticamente el vocabulario que el modelo necesita memorizar mientras mejora en realidad su pronunciación en general.

Pero más allá de la lingüística, también tuvieron que asegurar que el modelo realmente siguiera las instrucciones a la perfección, lo cual es notoriamente difícil cuando se trata de arte subjetivo.

Beto
Muy cierto.

Alicia
El método tradicional es el aprendizaje por refuerzo con retroalimentación humana, donde humanos califican la salida de la IA. Pero los humanos tienen sesgos inherentes. Preferimos ciertos géneros, o no detectamos errores de tempo sutiles. Para solucionar esto, los investigadores implementaron aprendizaje por refuerzo intrínseco.

Beto
Es decir, la IA se califica a sí misma. Elude por completo el cuello de botella humano.

Alicia
Sí. Se apoya en sus propias mecánicas internas para evaluar su desempeño. Por ejemplo, para asegurarse de que las letras coincidan con el ritmo de la música desarrollaron una puntuación de alineación de atención.

Beto
Interesante.

Alicia
El modelo literalmente revisa su propio trabajo para verificar que los picos de energía física en la forma de onda de audio, las partes más fuertes y contundentes del sonido, coincidan perfectamente con las sílabas de las letras que se le pidió cantar.

Beto
Así que sabe dónde están los golpes.

Alicia
Exacto. Si canta una palabra enfática en un momento fuera de pulso en el acompañamiento instrumental, se penaliza. Obliga a su propio mecanismo de atención a alinear el texto con la energía acústica.

Beto
Bueno, hemos cubierto el motor, la arquitectura y los datos de entrenamiento. Cambiemos y hablemos de lo que esto significa para ti, el oyente.

Alicia
La aplicación práctica.

Beto
Si eres un creador de contenido, editor de vídeo, músico aspirante o desarrollador indie de juegos, ¿por qué este modelo específico cambia tu flujo de trabajo? Porque esto va mucho más allá de simplemente escribir un prompt y obtener una pista de fondo.

Alicia
El artículo introduce lo que llaman un marco generativo con máscara, que transforma a ACE Step 1.5 en un modelo Omni-task. Es la navaja suiza creativa definitiva. No solo genera música desde cero. Edita, manipula y expande audio existente de forma quirúrgica.

Beto
Recorramos algunas de estas aplicaciones prácticas, empezando por la generación de covers. Puedes alimentar al modelo con una pista existente y éste mapeará el esqueleto melódico de esa canción. Mantiene la melodía central intacta, pero puede sustituir totalmente los instrumentos, el género y el timbre vocal.

Alicia
Es increíble.

Beto
Imagina que estás editando un vídeo y tienes una canción folk acústica con licencia, pero la escena requiere energía alta. Puedes indicarle al modelo que convierta esa misma melodía folk en un himno heavy metal o en una pista synth-pop, ajustando el ritmo exactamente al montaje de tu edición.

Alicia
Las implicaciones en el flujo de trabajo son enormes, y eso se extiende a ediciones quirúrgicas con una función llamada "repainting". Piensa en esto como edición no destructiva avanzada de imágenes, pero aplicada a una forma de onda. Supongamos que generas una pista de jazz fenomenal, pero el solo de saxofón en el minuto dos desafina o no encaja con la vibra.

Beto
Antes tenías que tirar la canción entera y volver a generar con suerte mejor.

Alicia
Exacto. Pero con repainting, marcas solo esos diez segundos de solo de saxofón, pides al modelo que lo cambie por una trompeta apagada y fusiona sin fisuras el nuevo audio con la pista existente sin alterar una sola nota del entorno.

Beto
También introducen extracción de pistas y capacidades tipo Lego. La extracción de pistas es esencialmente separación de stems a nivel microscópico. Puedes pedir al modelo que te saque únicamente la voz principal o que aisle una línea de bajo compleja de una mezcla totalmente masterizada y densa.

Alicia
Y la función Lego es el inverso.

Beto
Sí, y es un cambio de juego para creadores independientes. Piensa en un desarrollador indie que compró un loop de piano sencillo barato online. Le sirve para la pantalla del menú, pero ahora necesita un arreglo orquestal épico completo alrededor de esa misma melodía de piano para una batalla jefe.

Alicia
No tienen presupuesto para contratar a un compositor.

Beto
Correcto. Solo alimentan esa sola capa de piano al modelo y le piden que orqueste una pieza sinfónica completa a partir de ella, capa por capa, construyendo la pista como ladrillos Lego.

Alicia
Ese nivel de control granular es sin precedentes para un modelo local. Y ni siquiera hemos hablado de la clonación de timbre cero-shot.

Esto es la herramienta máxima para la personalización. Si quieres que el modelo cante una canción nueva con tu voz exacta, o emule el estilo de mezcla crudo de tu productor underground favorito, puedes entrenar un LoRA ligero, un pequeño archivo personalizable.

Beto
O basta con usar un clip de referencia, ¿verdad?

Alicia
Sí, puedes proporcionar simplemente un clip de referencia de 30 segundos. El modelo analiza ese breve fragmento y captura a la perfección el tono vocal o la huella estilística para cualquier nueva generación.

Beto
Esto nos lleva a una crítica mayor que los propios investigadores hacen de la industria actual de IA: argumentan que las métricas tradicionales de evaluación de música AI como AudioBox o SongEval están fundamentalmente mal diseñadas para aplicaciones prácticas del mundo real.

Alicia
Esas métricas tradicionales básicamente prueban si una canción suena agradable en el vacío. Miden calidad de audio cruda y alineación básica con el texto, pero no capturan la fricción de lo que realmente se siente al sentarse y usar esta IA en un entorno profesional de alta presión. Un puntaje alto en AudioBox es inútil para un productor si el modelo se cae cada vez que el prompt está un poco confuso, o si tarda cinco minutos en generar una sola iteración.

Beto
Así que para abordar esto, los investigadores crearon un paradigma de evaluación completamente nuevo: la lista de verificación de 17 puntos de usabilidad. Me encanta esta lista porque lee como un silbido de frustración de productores musicales profundamente frustrados. Resaltemos algunos criterios para mostrar cómo esto cambia el flujo de trabajo diario.

Primero está el "coeficiente de casualidad".

Alicia
El coeficiente de casualidad mide la capacidad del modelo para producir rápidamente un alto volumen de candidatos diversos en un flujo creativo cuando tienes bloqueo del escritor. Rara vez sabes exactamente lo que quieres hasta que lo escuchas.

Beto
Solo necesitas opciones.

Alicia
Exacto. Debido a que ACE Step 1.5 genera pistas en menos de 10 segundos, puedes generar por lotes decenas de variaciones al instante. Está diseñado matemáticamente para maximizar los accidentes creativos felices. Podrías tropezarte con una línea de bajo sincopada que nunca habrías pensado conscientemente escribir, puramente porque la herramienta te permite explorar el espacio latente tan rápidamente.

Beto
Otro punto crucial en la lista es la robustez del prompt, que subtitularon como "el requisito anti-goture".

Alicia
Oh, eso es grande.

Beto
Si alguna vez has usado modelos antiguos, conoces el dolor del colapso de modo. Parecía jugar a una máquina traga-monedas: si tu prompt era un poco vago, o tenía una falta de ortografía, el modelo esencialmente tenía un ataque de pánico y devolvía basura chirriante.

Alicia
Audio completamente inutilizable.

Beto
Correcto. Pero ACE Step 1.5 es robusto. No fallará ni se bloqueará porque tu formato no sea perfecto. El cerebro del modelo de lenguaje que discutimos antes interviene, deduce lo que querías decir por contexto y estructura un track viable.

Alicia
Y para los profesionales, quizás la métrica más importante en la lista es el estar basado en la terminología profesional. Muchos modelos convencionales generan aproximaciones genéricas de un estado de ánimo. Si pides una canción triste obtienes un piano lento con mucho reverb.

Beto
Muy básico.

Alicia
Pero ACE Step 1.5 entiende la jerga técnica profunda.

Beto
El artículo especifica que si escribes instrucciones utilizando términos como "modo frigio", "compresión sidechain" o "un barrido resonante de un sintetizador 303 vintage", el modelo no se limita a adivinar.

Alicia
No. Lo sabe.

Beto
Traduce esa jerga técnica exacta en fenómenos acústicos altamente precisos. Sabe exactamente cómo debe sonar el barrido resonante chirriante de un sintetizador Roland TB-303 y lo renderiza impecablemente dentro de la mezcla. Responde a la dirección técnica como un músico de sesión con experiencia.

Alicia
Lo que observamos con ACE Step 1.5 es un salto increíble para la comunidad de código abierto. Finalmente tenemos una herramienta que es de calidad comercial, altamente controlable, extremadamente rápida y capaz de ejecutarse localmente en hardware de consumo.

Beto
Está todo ahí.

Alicia
Al separar la lógica de la composición del renderizado del sonido y arreglar los cuellos de botella acústicos de las arquitecturas anteriores, han proporcionado un conjunto de herramientas de edición que rivalizan con el software de estudio de primer nivel.

Beto
Reescribe fundamentalmente la barrera de entrada. Si la ejecución, el renderizado físico real de audio de calidad profesional, baja a costo cero y requiere nada más que un portátil, el paisaje de quién puede ser creador se expande exponencialmente.

Alicia
Democratiza por completo el medio, pero también nos obliga a reconsiderar el valor de las habilidades que tradicionalmente hemos celebrado en la industria musical.

Beto
Te deja preguntándote: si un modelo de código abierto ejecutándose en un portátil estándar puede clonar perfectamente un timbre vocal, repintar quirúrgicamente un solo de guitarra e interpretar instantáneamente jerga compleja como compresión sidechain en audio impecable, ¿qué pasa con nuestra definición tradicional de talento musical?

Alicia
Esa es la verdadera pregunta.

Beto
Si la barrera técnica para una ejecución impecable desaparece, quizá lo único que separa una pista brillante de una mediocre sea el gusto humano. ¿Estamos entrando en una era donde el rasgo definitorio de un gran músico ya no es la maestría física de tocar notas, sino puramente tener el gusto visionario para curarlas, dirigirlas y comandarlas?

Alicia
Es un cambio de paradigma enorme.

Beto
Es, sin duda, algo para pensar la próxima vez que escuches una pista bellamente producida.

Gracias por acompañarnos en esta inmersión profunda y sigue explorando.

Interacción Musical Inter-Modal

Esta investigación ofrece una revisión exhaustiva de la interacción intermodal entre la música impulsada por IA y diversos formatos de datos como texto, imágenes y vídeo. Clasifica estos avances tecnológicos en marcos impulsados por la música, orientados a la música y bidireccionales, ilustrando cómo las máquinas ahora analizan, generan y sincronizan contenido auditivo complejo. Los autores trazan la evolución desde la música simbólica hasta los modelos modernos de aprendizaje profundo, incluyendo difusión y transformadores, que facilitan tareas como la transcripción de letras, la coreografía con IA y la edición de vídeo. Además, el texto detalla conjuntos de datos multimodales esenciales y métricas de evaluación objetivas utilizadas para medir la calidad y la alineación rítmica de los medios generados. Al abordar la escasez actual de datos y las limitaciones computacionales, el artículo destaca las tendencias futuras en agentes musicales multimodales y la alineación con las preferencias humanas. En última instancia, las fuentes sirven como una guía fundamental para integrar la inteligencia artificial más profundamente en los ciclos de vida creativos de la industria musical global.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "A Survey on Cross-Modal Interaction Between Music and Multimodal Data", por Sifei Li y colegas. Publicado el 21 de Febrero del 2026.

El resumen, la transcripción, la traducción, y las voces, fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

Escúchalo aquí, mientras lees la transcripción (abajo):

O escúchalo en Spotify.

---

Transcripción

Beto
¿Has oído hablar alguna vez de la sinestesia?

Alicia
Oh, sí. Es esa condición neurológica realmente fascinante, ¿no? Donde los cables del cerebro se cruzan como en algo bueno...

Beto
Exacto.

Alicia
...como que puedas oír un acorde de piano específico y al instante saborear fresas. O ves el número cinco y para ti siempre es indudablemente azul brillante.

Beto
Exactamente. Es esa mezcla de los sentidos. Y para los humanos es una rareza biológica. Pero aquí está la cosa por la que nos metemos hoy: lo que antes era una anomalía rara en nosotros se está convirtiendo rápidamente en el sistema operativo estándar para la inteligencia artificial. Literalmente estamos enseñando a las máquinas a tener sinestesia.

Alicia
Esa es en realidad una analogía perfecta. Ya no solo enseñamos a los ordenadores a procesar datos. Les enseñamos a traducir experiencias entre distintos medios: mirar la foto de un atardecer y simplemente escuchar la banda sonora que le pertenece, o tomar un párrafo de texto y bailar al ritmo de esas palabras específicas.

Beto
Y esa es la misión de este análisis en profundidad. Desentrañamos lo que llaman aprendizaje multimodal, específicamente en el contexto de la música. Para quienes escuchan, nos basamos en un gran artículo de revisión de 2026.

Interacción Musical Inter-Modal

Alicia
Uno realmente denso.

Beto
Muy denso. Se titula “A Survey on Cross-Model Interaction Between Music and Multimodal Data”, es de Sifei Li y su equipo, publicado en Computational Visual Media.

Alicia
Y este artículo es, esencialmente, el plano de cómo pasamos de simples pitidos MIDI a que la IA genere canciones completas listas para la radio con voces, o incluso a que coreografíe rutinas de baile complejas. Cubre cómo las máquinas leen la música, cómo la visualizan y cómo están empezando a componerla.

Beto
Pero antes de llegar a la parte de ciencia ficción, los bailarines IA y los generadores de texto a canción, tenemos que empezar por la lucha. Porque el artículo lo deja muy claro desde el principio: la música es especialmente difícil para la IA.

Alicia
De verdad lo es. Quiero decir, comparado con la generación de imágenes, si le muestro a una IA la foto de un gato, esos datos son espaciales. Son estáticos.

Beto
Exacto, están ahí quietos.

Alicia
Toda la información, las orejas, los bigotes, la cola, está presente en el mismo instante. Puedes analizarlo todo de una vez.

Beto
Pero la música es temporal. Sucede a lo largo del tiempo.

Alicia
Sí, es una secuencia. No puedes ver la canción completa de un vistazo. Y el significado de una nota depende totalmente de lo que vino antes y de lo que viene después.

Beto
El contexto lo es todo.

Alicia
Precisamente. Un acorde de Do mayor suena alegre, ¿verdad? A menos que se toque después de una larga y disonante construcción aterradora; entonces suena a resolución o alivio.

Beto
Y es tan abstracta. Quiero decir, puedes describir objetivamente un gato a una máquina. Pero intenta describir la tristeza en un concierto para violonchelo a un ordenador que literalmente nunca ha sentido nada en movimiento.

Alicia
Es una pesadilla subjetiva para los científicos de datos.

Beto
Entonces, ¿cómo lo solucionan?

El Lenguaje de la Música

Eso nos lleva a la primera gran sección del artículo: el lenguaje de la música. Antes de que una IA pueda remezclar una canción o convertirla en vídeo, tiene que poder oírla realmente.

Alicia
Correcto. Y los autores lo dividen en dos campos principales: representaciones de audio y representaciones simbólicas.

Beto
Piénsalo como la grabación frente a la partitura.

Alicia
Es una excelente forma de decirlo.

Beto
Empecemos por el lado de la grabación, el audio bruto. ¿Cómo escucha una máquina?

Alicia
La forma más básica es la forma de onda. Si alguna vez abriste un archivo de audio en un editor o miraste una nota de voz en tu teléfono, has visto esto: esas líneas dentadas que se mueven de izquierda a derecha.

Beto
Sí, las ondulaciones.

Alicia
Exacto. Es simplemente la amplitud en función del tiempo. La señal cruda de la onda sonora.

Beto
¿Pero puede la IA aprender a partir de eso? Parece demasiado desordenado.

Alicia
Puede, pero los modelos de deep learning realmente luchan con ello porque los datos son de muy alta dimensión. Es abrumador. Así que los investigadores suelen convertir ese sonido en una imagen.

Beto
Transforman sonido en imagen.

Alicia
Sí: un espectrograma. Parece un mapa de calor. El tiempo en el eje X, la frecuencia o alturas en el eje Y, y el color muestra cuán fuerte está esa frecuencia en ese momento. De pronto conviertes un problema temporal en un problema de imagen.

Beto
Y la IA ya es muy buena “mirando” imágenes.

Alicia
Exacto. Aprovecha toda la tecnología de visión por computadora que ya existe.

Beto
Pero el artículo sostiene que los espectrogramas estándar no bastan del todo para la música. Mencionan algo llamado espectrograma log-mel.

Alicia
Esa es una distinción crucial. Un espectrograma estándar trata todas las frecuencias por igual. Pero el oído humano no lo hace para nada.

Beto
¿A qué te refieres?

Alicia
Somos muy sensibles a cambios en las notas graves. Podemos distinguir fácilmente entre un Mi grave y un Fa grave. Pero en las frecuencias muy altas no podemos diferenciar bien entre 10.000 Hz y 10.050 Hz.

Beto
Suena igual, un agudo chillón de todos modos.

Alicia
Correcto. Entonces el espectrograma log-mel ajusta los datos visuales para que coincidan con la percepción humana. “Aplasta” las frecuencias altas y estira las bajas. Literalmente imita nuestra biología.

Beto
Así que enseña al ordenador a priorizar los sonidos que a los humanos realmente les importan.

Alicia
Precisamente. Pero incluso eso no es el estándar absoluto para la música específicamente. Si quieres que la IA entienda melodía y armonía, el artículo apunta a la CQT.

Beto
La Transformada de Q constante. ¿Por qué la CQT gana frente al espectrograma log-mel?

Alicia
Porque los espectrogramas estándar y los log-mel operan en escalas lineales o perceptuales, pero ninguna de esas se alinea perfectamente con la teoría musical. En una vista estándar, la distancia física entre un Do bajo y el siguiente Do más alto se ve diferente dependiendo de dónde estés.

Beto
Ah, ya veo. No está espaciado uniformemente.

Alicia
Correcto. Pero la CQT usa una escala logarítmica que se alinea específicamente con los semitonos musicales.

Beto
Así que en un mapa CQT, una octava siempre se ve a la misma distancia visual.

Alicia
Sí. Alinea los datos visuales con la escala musical real. Elimina todo el “borroneo” que obtienes con otros métodos. Si entrenas una IA para reconocer una progresión de acordes, la CQT es como ponerle gafas: hace que la estructura armónica resalte claramente.

Beto
Muy bien. Así es como la IA trata el sonido bruto: lo mapea visualmente.

Pero luego está el otro campo, la representación simbólica, la partitura. Y el obvio aquí es MIDI.

Alicia
El buen y viejo MIDI. Ha sido el estándar de la industria desde los años 80.

Beto
Mi primer teclado tenía puertos MIDI.

Alicia
El de todos. MIDI son solo instrucciones. Le dice al ordenador: toca la nota 60 con velocidad 100 durante dos segundos. Es muy eficiente. Pero el artículo apunta un fallo importante para el entrenamiento de IA: MIDI es dato de interpretación, no de estructura.

Beto
Correcto. No sabe qué es un compás.

Alicia
O un tiempo ni una armadura. Es solo un flujo de eventos independientes. Así que los investigadores desarrollaron tokens mejorados, REMI.

Beto
MIDI “reformado”.

Alicia
Sí. Insertan tokens especiales en la secuencia de datos que literalmente dicen “nuevo compás” o “posición uno”. Obligan a la IA a entender la rejilla rítmica de la canción, no solo cuánto dura una nota.

Beto
Pero la representación que realmente me llamó la atención en esta sección y, honestamente, la que me hizo detenerme y mirar fijamente fue la notación ABC.

Alicia
Oh, me encanta la notación ABC. Es un ejemplo perfecto de pensamiento lateral en informática.

Beto
Explícaselo al oyente porque suena casi demasiado simple para ser de alta tecnología.

Alicia
Es simple. La notación ABC representa la música usando texto ASCII estándar. Las notas son literalmente letras del teclado: A, B, C, D. Puedes denotar sostenidos, bemoles, duraciones de nota, todo con puntuación y caracteres estándar.

Beto
Y estás esencialmente escribiendo una sinfonía con un teclado normal.

Alicia
Exacto. Pero aquí está por qué esto es completamente revolucionario para la IA: tenemos enormes modelos de lenguaje, los cerebros detrás de ChatGPT o Claude, que se han “tragado” básicamente todo el texto disponible en internet.

Beto
Son increíblemente buenos con texto.

Alicia
Son maestros prediciendo la siguiente palabra en una oración.

Beto
Al convertir la música a notación ABC ...

Alicia
Conviertes la música en texto. Puedes alimentar una melodía a una IA basada en texto y puede leer y escribir música como si fuera inglés o francés. Evita la necesidad de procesamiento de audio complejo por completo. Simplemente trata una melodía como una narrativa.

Beto
Eso conecta totalmente los puntos para mí. Está aprovechando el mayor avance en IA que tenemos ahora mismo, los grandes modelos de lenguaje, y solo adapta la música para caber en sus cerebros existentes.

Interacción Dirigida por Música

Alicia
Lo que nos lleva perfectamente a la siguiente gran sección de la revisión: la interacción dirigida por la música. Aquí la música no solo se limita a ser analizada; se convierte en la jefa. Dirige la generación de otros medios.

Beto
Correcto: cuando la música manda, veamos música a texto. Esto es muy útil para catalogar bibliotecas enormes.

Alicia
Enormemente. Lo llamamos “captioning” musical (generación de descripciones musicales). Le das un archivo de audio a la IA y te devuelve una descripción: "piano jazz animado, tono sombrío subyacente y batería con escobillas".

Beto
El artículo menciona modelos como MusCaps y MusiLingo. ¿Cómo hacen esto? ¿Solo buscan etiquetas de metadatos?

Alicia
No; usan esa comprensión cruzada de modalidades. Escuchan la textura acústica del sonido, el tempo, la instrumentación y traducen esas características matemáticas de audio en palabras semánticas.

Pero el desafío mucho más duro aquí son las transcripciones de letras.

Beto
No, espera: tenemos reconocimiento de voz en el móvil. Lo uso para enviar mensajes todos los días. ¿Por qué cantar es mucho más difícil de transcribir?

Alicia
Es el problema de la fiesta con cóctel, pero aumentado. En el habla, las palabras se pronuncian con relativa claridad, en ritmo estable y a menudo en aislamiento. En la música, las vocales se alargan durante cinco segundos. El tono sube y baja constantemente, y hay una batería golpeando platillos y una guitarra distorsionando encima de la voz.

Beto
Tienes que separar la señal del ruido.

Alicia
El artículo destaca una herramienta llamada LyricWhiz. Es muy ingeniosa. Usa el modelo Whisper de OpenAI para la transcripción cruda, pero luego lo empareja con GPT-4 para corregir contextualmente los errores.

Beto
¿Cómo funciona eso en la práctica?

Alicia
Si la transcripción cruda oye “sweet dreams are made of cheese”, ...

Beto
... un error clásico ...

Alicia
Correcto. GPT‑4 entra y dice, mirando el resto de la canción, que probablemente sea “these” y no “cheese”.

Beto
Inteligente. Pero saber qué se dijo es totalmente distinto a saber cuándo se dijo.

Alicia
Exacto. Eso es la alineación, con precisión al milisegundo. Una cosa es saber que el cantante dijo la palabra “amor”; otra muy distinta es saber en qué cuadro de vídeo cae esa palabra si estás construyendo una app de karaoke o un generador de vídeos musicales IA.

Música a Baile

Beto
Hablando de moverse al ritmo, hablemos de mi gráfico favorito del artículo: música a baile.

Alicia
Coreografía por IA.

Beto
He visto versiones tempranas en línea en las que los avatares parecen, bueno, simplemente agitarse salvajemente. Pero la tecnología ha mejorado.

Alicia
Drásticamente. Y el desafío central es que bailar no es solo movimiento; es movimiento limitado por el ritmo. Tienes que marcar el golpe. El artículo discute un modelo llamado Bailando.

Beto
Que es un nombre fantástico, por cierto.

Alicia
Realmente lo es. Bailando utiliza un “codebook” de movimientos de baile cuantizados. Imagina un vocabulario de gestos: un meneo de brazo, un paso característico, un movimiento de hip‑hop.

Beto
Una especie de diccionario de baile.

Alicia
Exacto. Bailando escucha la música, encuentra el pulso, y enlaza esas “palabras” del vocabulario para crear una frase coherente de movimiento.

Beto
Pero el artículo mencionó un problema físico raro en los modelos iniciales: el deslizamiento.

Alicia
Ah, sí. El "efecto Michael Jackson", pero sin intención. Los modelos tempranos no entendían gravedad ni fricción. La IA decía “mueve el pie del punto A al punto B” pero no le indicaba al avatar que primero levantase el pie.

Beto
Así que los bailarines parecían deslizarse por el suelo como si hubiera hielo invisible.

Alicia
Exacto. ¿Cómo lo solucionaron? Los modelos más nuevos como EDGE usaron difusión, la misma técnica de los generadores de imágenes IA, pero además incorporaron restricciones físicas estrictas. Obligan a la IA a calcular el contacto del pie con el suelo. Tiene que “sentir” matemáticamente el piso.

Beto
También hay que acertar con el género. No quieres que la IA haga un vals lento para una caída masiva de dubstep.

Alicia
Ahí entran las redes de tokens de género. La IA identifica primero la etiqueta de género, por ejemplo hip‑hop, y entonces restringe su movimiento y la librería a movimientos que encajan en ese estilo. Filtra las piruetas de ballet antes de empezar a coreografiar.

Beto
Tiene sentido. Así que la música genera texto y baile. ¿Qué hay de música a vídeo?

De Música a Vídeo

Alicia
Hay dos vías principales. Una es el montaje/edición. Piensa en herramientas como AudeoSynth. Les das una carpeta de clips de vídeo sin pulir y una canción. Analiza los tiempos, los picos de energía, el ánimo general. Y corta los clips automáticamente para que encajen perfectamente con la pista.

Beto
La herramienta definitiva para crear TikToks.

Alicia
Básicamente, sí. La otra vía es la generación de interpretación. Esto es fascinante: crear un avatar virtual que realmente toque un instrumento.

Beto
Como un personaje animado que toca una guitarra real.

Alicia
Sí. Pero la animación está dirigida completamente por la entrada de audio. La IA oye una pista compleja de violín y calcula exactamente cómo tendría que moverse el brazo del arco y los dedos en el diapasón para producir esos sonidos.

@art_for_joy1 Pachelbel's Canon🎶 piano and ghost violin duet. This music is often used for both weddings and funerals all text to video using new version 3 from @PixVerse incredible prompt adherence 🙌 #fyp #canonind #piano #violin #duet #ai #aiart #aimusicvideo #pixversev3 ♬ original sound - Art

Beto
Wow. Está ingenierizando al revés la acción física a partir del resultado acústico.

Alicia
Exacto. Deduce la causa a partir del efecto.

De Texto a Música

Beto
Hemos hablado de la música como entrada. Ahora cambiemos el guión: sección tres del artículo, que es lo que realmente está rompiendo internet ahora mismo: interacción orientada a la música. La música como salida. Texto a música.

Alicia
Este espacio ha evolucionado increíblemente rápido. Hace apenas dos años, si escribías “canción acústica triste” en un prompt, la IA buscaba en una base de datos y recuperaba un archivo preexistente. Ahora genera una canción nueva desde cero.

Beto
Entonces, cuando escribo “línea de bajo funky con un sintetizador espacial”, ¿qué está haciendo la IA en segundo plano?

Alicia
Depende de la arquitectura. El artículo divide los pesos pesados en dos categorías: generación simbólica y generación de audio.

Beto
Lo simbólico es la parte de la partitura otra vez, ¿no?

Alicia
Correcto. Modelos como MuseCoco o ChatMusician trabajan con notación ABC o tokens MIDI. Tratan de componer una canción como escribir un ensayo: predicen la siguiente nota basándose en las anteriores.

Ejemplo con ChatMusician

Beto
Pero los grandes modelos, los que suenan como grabaciones reales en Spotify, ¿usan MIDI?

Alicia
No. Están haciendo generación de audio directa. Y aquí el artículo distingue entre dos grandes familias: modelos autoregresivos y modelos de difusión.

Beto
Desglosemos porque esos términos se lanzan mucho en noticias de IA.

Autoregresivos primero. El artículo menciona MusicGen de Meta.

MusicGen en acción

Alicia
Piensa en los autoregresivos como un auto‑completar super avanzado. Es como escriben los modelos de texto. Predicen la siguiente palabra basándose en las anteriores. MusicGen hace exactamente lo mismo pero con sonido. Divide el audio en codebooks, esos tokens comprimidos de sonido crudo.

Beto
Entonces construye la canción corte por corte microscópico. ¿Así que está creando la canción segundo a segundo?

Alicia
Sí. Mira el primer segundo y pregunta, estadísticamente y según el prompt “línea de bajo funky”, qué sonido acústico viene después. Y sigue así. Es muy bueno manteniendo una melodía porque siempre mira hacia atrás a lo que acaba de tocar para decidir qué sigue.

Beto
Y la otra familia, Difusión.

Alicia
Esta es la que usan modelos como Riffusion y Stable Audio. Si sabes cómo DALL·E o MidJourney generan imágenes, sabes este proceso. Empiezan con puro ruido. Simplemente estática aleatoria.

Beto
Caos total.

Alicia
Luego, guiados por tu prompt, van deshaciendo el ruido gradualmente. Van esculpiendo la estatua desde el bloque de mármol. Pero aquí está el truco, y esto conecta con nuestra primera sección: no están esculpiendo sonido directamente, están esculpiendo un espectrograma.

Beto
Volvemos a las imágenes.

Alicia
Sí. Generan una imagen del sonido, píxel por píxel, y al final convierten esa imagen de nuevo en un archivo de audio. Es como hackear la corteza visual de la IA para hacer música.

Beto
Se siente como haciendo trampa. Toma procesamiento visual y lo reutiliza para audio.

Alicia
Funciona increíblemente bien.

Y tenemos que mencionar el momento Suno y Udio. El artículo cita específicamente estas herramientas porque representan un gran salto en realismo.

Beto
Porque añadieron voces.

Alicia
Voces emotivas y de alta calidad. Hasta entonces, la música IA era sobre todo instrumental, pistas de fondo para estudiar o beats lo-fi. Pero herramientas como Suno y SongComposer descubrieron cómo generar canciones completas y cohesionadas: letra, melodía, armonía compleja y voces principales a partir de un solo prompt de texto.

Beto
Y no es solo una voz robótica encima; la voz se quiebra, respira en los lugares correctos, añade vibrato.

Alicia
Es fluida.

¿Cómo funciona?

Y eso nos lleva a la sección de panorama general del artículo: ¿cómo funciona esto realmente por dentro? ¿Cómo conectas la palabra inglesa “dog” con el sonido de un ladrido?

Beto
Esa es la sala de máquinas de toda la operación.

Alicia
Lo es. El concepto central es la representación conjunta multimodal.

Beto
Desenmarañémoslo.

Alicia
Imagina un enorme mapa multidimensional compartido. Un espacio de características común. Entrenar estos modelos consiste en forzar que la representación matemática de la palabra “dog” y la representación matemática del ladrido de un perro vivan en la misma coordenada de ese mapa.

Beto
Para la IA son exactamente el mismo concepto, solo almacenado en distintos formatos.

Alicia
Exacto. Modelos como MuLan o CLAP están diseñados para mapear ese espacio compartido. Sin ese puente fundamental no puedes traducir texto a música ni música a baile. Necesitas un lenguaje universal al que todo traduzca primero.

Beto
Es la piedra de Rosetta para la IA.

Alicia
Lo es, realmente. Es enorme, pero no perfecto. El artículo enumera obstáculos significativos que aún enfrentamos.

Beto
Adivina cuál es el número uno. Los derechos de autor, el copyright.

Alicia
Es el elefante en la habitación. Para entrenar estos modelos necesitas enormes cantidades de música multitrack de alta calidad. Y a diferencia de las imágenes, donde históricamente podías raspar la web, no puedes raspar Spotify sin preocuparte por demandas de las discográficas.

Beto
Y necesitas los stems, ¿verdad? Necesitas las voces aisladas y las pistas de batería aisladas para entrenarlo bien.

Alicia
Que son increíblemente difíciles de encontrar públicamente y de forma legal. Así que la escasez de datos es un cuello de botella real ahora mismo.

Luego está el problema de la subjetividad. Lo tocamos antes. La música es profundamente emocional.

Beto
¿Cómo sabe una IA si un prompt pide algo “agridulce”?

Alicia
Lo pasa mal. No hay una fórmula matemática para “agridulce”. Es cultural, extremadamente contextual. Un ordenador puede identificar fácilmente una tonalidad menor, pero no puede sentir la diferencia entre una canción triste y una espeluznante sin muchas etiquetas matizadas.

Beto
¿Y qué pasa con la estructura real de las canciones? He notado que muchas canciones generadas por IA suenan asombrosas durante unos 30 segundos y luego se desmadran. Empiezan a divagar.

Alicia
Sí. Ese es el problema de estructura a largo plazo. La IA es asombrosa para el ahora. Es genial prediciendo el próximo segundo de audio. Pero mantener una canción coherente, verso, estribillo, verso, puente, estribillo, durante tres o cuatro minutos requiere memoria y planificación.

Beto
Olvida el tema musical con el que empezó.

Alicia
Exacto. Los modelos actuales tienden a “alucinar” ideas nuevas en lugar de volver al motivo principal. Tienen la capacidad de atención de un pez dorado. Pero los investigadores trabajan activamente en modelos jerárquicos para solucionar esto, básicamente dando a la IA un plan global u esquema antes de que empiece a escribir las notas individuales.

Beto
De acuerdo. Hemos cubierto el lenguaje, las formas de onda, la CQT, la notación ABC. Hemos cubierto la música conduciendo visuales como baile y vídeo. Y hemos cubierto texto conduciendo la música con cosas como MusicGen, Suno y otras.

Alicia
Pinta una imagen vívida de convergencia. Todos estos medios se están fusionando.

Beto
Lo hacen. El cierre del artículo enfatiza ese difuminado de fronteras. La música ya no es solo sonido. Es datos fluidos que pueden verterse en cualquier contenedor.

Alicia
Y eso nos lleva a un concepto final realmente interesante que mencionan los autores, y que me parece profundo: la percepción del agente musical.

Beto
¿Qué implica eso para el futuro?

Alicia
Implica una IA que no solo genera o clasifica en aislamiento. Percibe y actúa como un agente autónomo completo. Una IA que escucha la melodía que tarareas, entiende el ánimo que quieres, escribe la letra, compone la armonía, canta las voces y luego coreografía el videoclip como un acto creativo unificado.

Beto
Cambia por completo el papel humano.

Alicia
Desplaza totalmente el centro de gravedad del arte. Si la máquina puede encargarse de la interpretación virtuosa y de la composición técnica, el papel humano deja de ser habilidad, saber mover los dedos rápido en un diapasón, y se convierte enteramente en intención.

Beto
Te vuelves el director.

Alicia
El curador, el visionario. Ya no tocas la guitarra físicamente; diriges a la IA para que la toque un poco más agresiva, o con un timbre más cálido.

Beto
Es un cambio de esfuerzo físico a selección creativa.

Alicia
Lo cual es increíblemente liberador para quienes tienen ideas pero tal vez no la destreza manual o años de entrenamiento.

Pero, por supuesto, también plantea enormes preguntas sobre qué valoramos realmente en el arte.

Beto
Me deja con un pensamiento con el que quiero que te quedes: si una IA puede analizar perfectamente los patrones matemáticos que provocan la emoción humana; si sabe exactamente qué progresión de acordes nos hace llorar y qué ritmo nos hace bailar, y puede ejecutarlo perfectamente cada vez, ¿importa que no haya alma detrás?

Alicia
Esa es la pregunta definitiva. ¿Está la emoción localizada en la creación de la pieza o está puramente en la recepción por parte del oyente?

Beto
Algo para masticar la próxima vez que te encuentres moviendo el pie con una canción que podría no haber sido escrita por un humano en absoluto.

Un enorme gracias a Li, Tan y al equipo de investigación por esta completísima revisión. Es una lectura densa, pero increíblemente esclarecedora.

Alicia
Absolutamente. Una verdadera mirada al futuro de la creatividad.

Beto
Gracias por acompañarnos en este análisis profundo. Nos vemos en el próximo.

IA en Industrias Creativas

Este artículo ofrece una revisión exhaustiva de los avances transformadores en inteligencia artificial dentro de las industrias creativas desde 2022 hasta mediados de 2025. Los investigadores evalúan cómo tecnologías centrales como los Grandes Modelos de Lenguaje (LLM), los modelos de difusión y los transformadores han transformado la IA de una simple herramienta de apoyo a un impulsor central de la creación y posproducción de contenido. El texto detalla aplicaciones específicas en diversos campos, incluyendo el periodismo automatizado, la generación musical y la reconstrucción 3D en tiempo real mediante splatting gaussiano. Más allá de las capacidades técnicas, los autores analizan la tendencia hacia marcos de IA unificados y la creciente importancia de la colaboración humano-IA para mantener la dirección creativa. Finalmente, la fuente aborda desafíos críticos de la industria como la propiedad de los derechos de autor, las preocupaciones éticas con respecto a los deepfakes y el potencial de sesgo computacional. Esta visión general sirve como una hoja de ruta estratégica para comprender la trayectoria futura del arte digital y el rol cambiante del creador humano.

Enlace al artículo científico, para aquellos interesados en profundizar en el tema: "Advances in Artificial Intelligence: A Review for the Creative Industries", por Nantheera Anantrasirichai y colegas. Publicado el 23 de Enero del 2026.

El resumen, la transcripción, y la traducción fueron hechas usando herramientas de software de Inteligencia Artificial.

El resumen se presenta en la forma de un diálogo entre dos personajes sintéticos que llamaremos Alicia y Beto.

---

Resumen

Beto
Sabes, da la sensación de que fue ayer. De verdad, como si hubiera sido ayer mismo. Todos estábamos perdiendo la cabeza porque una computadora podía escribir un correo decente.

Alicia
O quizá generar esa imagen un poco borrosa de un gato.

Beto
Exacto. El gato borroso. ¿Eso fue en 2022? Parecía magia absoluta.

Alicia
De verdad. Ahora, en años tecnológicos, se siente como una eternidad.

Beto
Pero si miras dónde estamos ahora, en este período de revisión que termina a mediados de 2025, toda esa era se ve… bueno, pintoresca. Casi como si estuviéramos jugando con bloques.

Alicia
Ya hemos dejado completamente la fase de novedad. Ya no vemos la IA como ese pequeño asistente útil que se sienta en la esquina, corrigiendo tu ortografía o recomendándote una canción.

Beto
Exacto. Ha pasado de “oye, corrige la frase por mí” a “oye, constrúyeme un mundo entero”. Y eso es exactamente a lo que nos adentramos hoy. Vamos a desmenuzar una revisión sistemática masiva de la Universidad de Bristol. Se titula "Advances in Artificial Intelligence. A review for the creative industries".

Alicia
Y cubre esa explosión tecnológica de 2022 hasta mediados de 2025.

Beto
Y el titular viene a ser básicamente esto: la IA se graduó. Ahora es una tecnología creativa central.

Alicia
Esa distinción es crucial. Central significa que ya no puedes hacer el trabajo sin ella.

Beto
O al menos el estándar de la industria ya se define por ella.

Alicia
Exacto. Es como la diferencia entre una máquina de escribir y un procesador de textos. Y el documento de Bristol hace un trabajo fantástico desglosando cómo ocurre esto. No es magia. Es arquitectura.

Beto
Cierto.

Alicia
Identifican cuatro pilares específicos que sostienen toda esta revolución.

Beto
La "sala de máquinas", como la llamamos.

Alicia
Precisamente. Vamos a desgranar transformers, modelos de lenguaje grande — LLMs —, modelos de difusión y algo un poco más oscuro pero increíblemente potente:

Beto
Representaciones neuronales implícitas.

Alicia
Esa es.

Beto
Suena a algo salido de Star Trek, pero acompáñanos.

Alicia
Sí.

Beto
Porque está cambiando fundamentalmente cómo vemos el espacio 3D. Entonces nuestra misión hoy es tomar esas palabrejas, abrirlas y ver cómo están remodelando todo, desde el cine hasta la música y, supongo, cómo percibimos la propia realidad.

Alicia
Y creo que para ti, que nos escuchas, la meta no es solo aprender los términos. Es entender que estamos presenciando el paso de herramientas de tarea única, como un martillo para un clavo, a marcos unificados. Sistemas que pueden ver, oír, hablar y crear todo a la vez.

Beto
Ciencia ficción convirtiéndose en realidad. Me encanta.

IA Generativa. (a) Transformers. (b) Modelo de Difusión. (c) Modelos de Difusión Latente

Transformers

Beto
Bueno, vamos a sumergirnos en la sala de máquinas. Pilar número uno: transformers.

Alicia
Bien.

Beto
Cuando oigo transformers, obviamente pienso en robots gigantes. Pero en 2017 Google publicó un artículo que básicamente lo cambió todo, ¿no?

Alicia
Así fue. El artículo se llamaba "Attention is All You Need".

Beto
Buen título.

Alicia
Es un gran título. Para entender por qué importa, hay que ver qué venía antes. Antes de los transformers, si querías que una computadora entendiera una frase, tenía que leerla como nosotros.

Beto
Palabra por palabra, de izquierda a derecha. Suena lógico, pero es lento. Y el problema más grande era el contexto. Imagina leer un párrafo muy, muy largo. Cuando llegas al final, podrías haber olvidado el sujeto del principio.

Alicia
Los modelos antiguos tenían ese problema exacto: una memoria a corto plazo terrible.

Beto
Llegaban al final de la frase y se olvidaban de quién hacía qué. Los transformers cambiaron el juego porque procesan toda la secuencia de datos ...

Alicia
Todo a la vez. En paralelo. Así que ya sean palabras en una frase o parches de píxeles en una imagen, da igual.

Beto
En lugar de leer palabra por palabra, miran toda la página al instante y entienden cómo cada palabra se relaciona con las demás.

Alicia
Ese es el mecanismo: self-attention. Permite que el modelo pese la importancia de distintos elementos de forma global.

Beto
OK, dame un ejemplo.

Alicia
La frase: “El banco estaba cerrado por la inundación.” Un transformer mira la palabra banco y, al mismo tiempo, ve inundación al final. Inmediatamente sabe: "ah, banco de río, no institución financiera".

Beto
Resuelve el problema de contexto al instante.

Los Modelos de Lenguaje Grande (LLM)

Alicia
Y esta arquitectura es la columna vertebral de nuestro segundo pilar: los modelos de lenguaje grande (LLM).

(a) Línea de tiempo de LLMs. (b) Desempeño comparado.

Beto
Correcto. No hay GPT-4 ni Claude 3 sin transformers.

Alicia
No los tendrías. Pero el documento señala un cambio muy específico que ocurrió alrededor de 2024, que fue la multimodalidad.

Beto
Aquí es donde pasamos de 'solo texto' a 'texto y algo más'.

Alicia
Correcto. Los primeros LLMs eran básicamente predictores de texto muy sofisticados, pero modelos como Gemini 1.5 y GPT-4V derribaron ese muro.

Beto
Son multimodales.

Alicia
Significa que pueden procesar texto, imágenes y audio al mismo tiempo. No solo leen código: ven imágenes y escuchan archivos de audio como parte de una misma corriente de datos.

Beto
Y Gemini 1.5, en particular, abrió esa ventana de contexto masiva. Básicamente es memoria a corto plazo: puedes darle libros enteros o videos largos y lo recuerda todo.

Alicia
Es impresionante, pero quiero añadir un poco de sal para mantenernos con los pies en la tierra. Estos modelos son enormes. Hablamos de parámetros en los trillones, que es algo así como conexiones en el cerebro.

Beto
Suena a una cantidad abrumadora.

Alicia
Lo es para una máquina. Pero si lo comparas con el cerebro humano, tenemos entre 100 y 1.000 billones de conexiones sinápticas. Incluso el modelo de IA más grande sigue siendo órdenes de magnitud más pequeño que la maquinaria biológica dentro de tu cabeza.

Beto
Así que la IA todavía no está a nivel SkyNet.

Los Modelos de Difusión

Beto
Bien. Si transformers y LLMs son el cerebro lógico, pasemos al pilar tres: la imaginación. Los modelos de difusión.

Generación de imágenes con modelos de difusión.

Alicia
Aquí es donde las cosas se ponen realmente artísticas. Y la forma en que funcionan los modelos de difusión es, bueno, fascinantemente contraintuitiva. Aprenden a crear aprendiendo a destruir. Están lanzando datos al caos. Piensa en tomar una foto nítida de un gato. Ahora imagina añadirle, poco a poco, estática o ruido gaussiano. Añades un poco, luego un poco más, ...

Beto
... hasta que es solo nieve gris.

Alicia
Y ante la aleatoriedad ya no puedes ver al gato. El modelo mira esto pasar millones de veces. Aprende el camino matemático de la imagen al ruido.

Beto
Está aprendiendo la destrucción.

Alicia
Y luego el truco de magia: aprende a invertir ese proceso. Parte del ruido puro, de la estática, y calcula matemáticamente cómo quitarlo para revelar una imagen.

Beto
Así que cuando le pides a Midjourney o DALL·E-3 “un gato tocando un banjo”, empieza con el caos y va tallando ese gato fuera de la estática.

Alicia
Esa es la esencia.

Representaciones Neuronales Implícitas (INR)

Alicia
Y eso nos lleva al cuarto pilar, el que tiene el nombre de Star Trek:

Beto
Representaciones Neuronales Implícitas, o INR. Desglosemos esto porque a mí me costó entenderlo al principio. Normalmente, cuando guardamos una imagen, guardamos una cuadrícula de píxeles, ¿no?

Alicia
Un mosaico, una rejilla discreta. Un JPEG es solo una lista de qué color va en cada casilla.

Beto
Pero las INR no hacen eso. El documento las describe como almacenar la fórmula del objeto.

Alicia
Gran analogía. En lugar de guardar píxeles, una INR es una red neuronal que ha aprendido una función matemática, un mapa de coordenadas. Le das una coordenada x, y, z ...

Beto
... y te dice qué color debería haber en ese punto exacto del espacio, ...

Alicia
... y su densidad. Es continua. Es como la diferencia entre un mapa de bits pixelado y un gráfico vectorial que puedes ampliar indefinidamente.

Beto
Así que tiene efectivamente resolución infinita, ...

Alicia
... en teoría. Y esto es crucial para la reconstrucción 3D. Probablemente has escuchado hablar de NeRFs — neural radiance fields —.

Beto
Fueron un gran término hace un par de años para convertir fotos en escenas 3D.

NeRFs

Alicia
Exacto. Los NeRFs usaron esta tecnología INR para imaginar una escena 3D a partir de solo unas pocas fotos 2D.

La Revolución de la Creación

Beto
Lo que nos lleva perfectamente al segundo segmento: la revolución de la creación. Porque tenemos estos motores. Pero ¿qué están creando en realidad?

Alicia
Empecemos por las imágenes. Todos hemos visto el salto en calidad. Comparas una imagen de Midjourney V4 con la V6: la iluminación, la textura, es fotorrealista.

Beto
No es perfecta. El material fuente trae el clásico problema de los seis dedos.

Alicia
Ah, sí. Las manos. El némesis de la IA.

Beto
¿Por qué son tan difíciles las manos? El documento menciona que incluso con modelos avanzados, sigues obteniendo estas alucinaciones: una mano con seis dedos o un pulgar en el lado equivocado.

Alicia
Tiene que ver con cómo aprenden los modelos de difusión. Miran miles de millones de imágenes. Pero las manos son complejas. Se articulan de mil maneras. Para la IA, una mano es solo una probabilidad estadística de tubos carnosos cerca de una muñeca.

Beto
No entiende la biología.

Alicia
No entiende la lógica de que una mano tiene cinco dedos. Es correlacional sin comprensión.

Beto
Y este problema lógico aparece también en la edición. El documento detalla un caso de prueba que me pareció hilarante. Tomaron una foto de una carretera con un coche blanco y le pidieron a DALL·E 3 que lo cambiara por un coche rojo.

Alicia
Y lo hizo perfectamente. Eso es solo cambiar valores de píxeles.

Beto
Pero luego le pidieron cambiar el coche blanco por una bicicleta. Y falló. No pudo hacerlo.

Alicia
Porque cambiar un coche por una bicicleta requiere comprender geometría 3D, escala, sombras, la lógica de la escena.

Beto
El modelo de difusión trabaja en píxeles, no en lógica.

Alicia
Por eso lo último ahora es lo que llaman "difusión anclada en LLMs": usar el modelo de lenguaje, el cerebro lógico, para guiar al cerebro artístico.

Beto
Para decir: "oye, una bicicleta es más pequeña que un coche, así que necesitas rellenar la carretera detrás".

Alicia
Bien pensado.

Beto
Si las manos son difíciles, el video es exponencialmente más difícil.

Alicia
Absolutamente. El video son solo imágenes con la dimensión añadida del tiempo. Y el tiempo es una amante cruel para la IA. Necesitas consistencia temporal.

Beto
El ojo de un personaje no puede desaparecer o convertirse en un botón en el siguiente fotograma.

Alicia
Exacto. El documento destaca ese anuncio navideño de Coca-Cola generado por IA. ¿Lo viste?

Anuncio de Coca-Cola generado por IA

Beto
Sí. Fue todo un acontecimiento porque fue totalmente generado por IA. Pero el documento apunta algo muy astuto: no fue una toma larga y continua.

Alicia
No, era un montaje de clips muy cortos con transiciones rápidas.

Beto
Estaban ocultando los artefactos.

Alicia
Completamente. Si mantienes demasiado tiempo una toma en un video de IA, las cosas empiezan a transformar. La física se descompone. Al cortar rápido, evitaron el valle inquietante, en su mayor parte.

Beto
Y los dedos antinaturales.

Alicia
Sí, esos dedos antinaturales también.

Beto
Pero luego tienes cosas como VASA-1 de Microsoft. Esto me voló la cabeza. Tomas una sola foto, una imagen estática ...

Alicia
... y un clip de audio, ...

Beto
... y la IA anima la foto para que hable en sincronía con el audio, con movimientos de cabeza, expresiones, todo.

VASA-1, de Microsoft

Alicia
Eso es animación facial generativa. Mapea fonemas del audio, las formas visuales de la boca — visemas — y luego infiere el resto.

Beto
Es increíble para animación.

Alicia
Increíble, aunque obviamente plantea enormes preguntas sobre fraudes.

Beto
Por supuesto. Pasando de rostros a espacios, quiero hablar de la batalla de los “splat”.

Alicia
Batalla de splats suena desordenado.

Beto
Hablamos antes de NeRFs para escenas 3D. Pero son lentos, ¿no?

Alicia
Extremadamente lentos para renderizar. No podías usarlos en un videojuego o VR en tiempo real. Pero luego llegó 3D Gaussian Splatting, 3DGS.

3D Gaussian Splatting

Beto
Que suena a técnica de pintura.

Alicia
En cierto modo lo es. En lugar de que una red neuronal calcule rayos de luz, piensa en la escena como hecha de millones de pequeñas gotas 3D gaussianas. Son como brochazos 3D.

Beto
En vez de una cuadrícula dura o una fórmula compleja, simplemente lanzas millones de salpicaduras digitales superpuestas en un espacio 3D.

Alicia
Sí. Y las tarjetas gráficas modernas son increíblemente buenas renderizando esas formas simples rápido. De pronto tienes escenas 3D fotorrealistas por las que puedes caminar en VR en tiempo real.

Beto
Herramientas como Luma AI ya están haciendo esto. Puedes escanear una habitación con tu teléfono y ¡boom!, ya es una escena 3D que puedes revisitar.

Luma AI - Gaussian Splatting

Alicia
Es la democratización de efectos visuales de alta gama.

La Suite de Arreglos

Y eso lleva directamente al tercer segmento: la suite de arreglos. Porque mucho del trabajo en la industria es postproducción.

Beto
Arreglar errores. El momento CSI mejorado por fin es real.

Alicia
Lo es, pero es diferente a como lo imaginábamos. El documento habla del cambio hacia marcos unificados. Antes tenías una herramienta para quitar la lluvia, otra para aclarar una imagen oscura.

Beto
Ahora hay modelos como Painter.

Painter: aprende visualmente del contexto

Alicia
Es un enfoque generalista. Le das un par de imágenes como ejemplo — versión con lluvia y versión clara — y luego le das una nueva imagen lluviosa y entiende: "ah, quieres que haga eso con esta".

Beto
Pero aquí está el problema. Y esto es lo que se pone realmente interesante para cualquiera que le importe la precisión. Cuando hablamos de restauración o superresolución ...

Alicia
... como ampliar una imagen borrosa.

Beto
Correcto. Antes usábamos solo matemáticas para promediar píxeles. Era conservador.

Alicia
Sí. Pero la IA generativa no hace eso. No solo limpia la imagen. Innova detalles.

Beto
Restauración lúcida.

Alicia
La distinción crítica es restauración lúcida vs. precisión real. El documento da un ejemplo magnífico: la IA ampliando una imagen con textura de punto de tejido. La IA no la reconoció como tejido, solo vio un patrón repetitivo.

Beto
Y al mejorarla ...

Alicia
Al mejorarla convirtió la lana suave en líneas aleatorias de alta definición que se ven más nítidas, pero estaban equivocadas. Crea realismo perfecto, no exactitud perfecta.

Beto
Así que si estás restaurando una película, bien; pero si estás mejorando una grabación de seguridad para leer una matrícula, ...

Alicia
... es un gran problema. Podría convertir una mancha en un número que nunca estuvo ahí.

Beto
Exacto. Luego está el "inpainting", eliminar objetos. Todos hemos visto el relleno generativo de Adobe.

Inpainting en Adobe FireFly

Alicia
Y ahora herramientas como ProPainter lo hacen para video. Si borras a una persona caminando por la calle, la IA usa píxeles de fotogramas anteriores y posteriores para rellenar el hueco de forma natural mientras la cámara se mueve. Es fluido.

ProPainter remueve objetos en video

Beto
Es magia.

El Elemento Humano

Beto
Pero nos lleva a la pieza final del rompecabezas: el elemento humano. Porque pese a toda esta tecnología genial, la revisión de Bristol señala tensiones serias.

Alicia
La tensión del control. Este es el problema estocástico.

Beto
Estocástico significa aleatorio.

Alicia
Exacto. Si eres un artista profesional necesitas precisión. Si el cliente dice “mueve ese coche rojo dos pulgadas a la izquierda”, lo haces. Pero con la IA generativa, porque depende del ruido aleatorio, si le pides generar la imagen otra vez con ese pequeño cambio, podría darte un coche completamente distinto. O una iluminación diferente.

Beto
Es como trabajar con un asistente brillante pero increíblemente inconstante.

• “Te hice una obra maestra".
• Genial. "¿Puedes cambiar el color de la corbata?”
• “Aquí tienes otra obra maestra totalmente nueva con una persona distinta.”

Alicia
Exacto. Choca con los flujos de trabajo profesionales.

Beto
Y luego está el aspecto de la propiedad.

Alicia
El documento cita la canción “Heart on My Sleeve” con la “IA-Drake-and-The Weekend”.

Beto
Se volvió viral al instante. Millones de reproducciones. Pero no eran ellos. Universal Music Group la eliminó de internet.

Alicia
Esa es la postura defensiva: esa es mi voz, mi marca. No la puedes simular. Pero luego el documento contrasta eso con Grimes.

Beto
Grimes hizo lo completamente opuesto. Abrió su voz. Dijo: "adelante, usad mi voz de IA para hacer música. Solo repartid las regalías 50-50".

Grimes: La IA está transformando cómo creamos y cómo nos relacionamos con el arte

Alicia
Es un modelo completamente distinto. Convierte al artista en una plataforma o en un conjunto de herramientas, no solo en un creador.

Beto
Hablando de simulación, tenemos que hablar de los desafíos del inquietante (“uncanny”). Normalmente hablamos del valle inquietante, donde las cosas parecen casi humanas pero resultan espeluznantes. Pero el documento sugiere que en realidad ya hemos pasado eso.

Alicia
Lo hemos pasado. Y la anécdota del artista Miles Astray es la ilustración perfecta.

Beto
Me encanta esa historia. Miles Astray entró a un concurso de fotografía en la categoría IA. Ganó. Los jueces quedaron alucinados por la cualidad surrealista de un flamingo: era una foto extraña, casi sin cabeza.

FLAMINGONE de Miles Astray

Alicia
Pensaron que era un brillante trabajo de ingeniería de prompts.

Beto
Y después de ganar, reveló que era una foto real, tomada con una cámara normal, un ave rascándose la cabeza.

Alicia
Los jueces pensaron que la realidad era IA.

Beto
Es la prueba de Turing invertida. Los humanos ahora confunden la realidad con artificialidad.

Alicia
Es profundamente inquietante. Crea un dilema de deepfakes donde la sospecha se vuelve el estado por defecto de todo lo que ves.

Beto
Resumiendo: hemos pasado de la IA como herramienta simple a la IA como co-creadora.

Alicia
Y esto lo impulsa la convergencia de LLMs, difusión y nuevas tecnologías 3D como el Gaussian Splatting. El impacto tiene dos caras.

Beto
Democratiza la producción de alto nivel. Ya no necesitas saber programar sombras complejas o pasar diez años aprendiendo a pintar para crear una imagen impresionante.

Alicia
El documento advierte sobre la “sopa de IA”:

Beto
Contenido de baja calidad, producido en masa, inundando internet.

Alicia
Si es fácil crear, nos ahogaremos en mediocridad.

Beto
Y hay un pensamiento final del material fuente que me quedó marcado: cómo estos modelos aprenden mediante aprendizaje por refuerzo ("Reinforcement Learning", RL).

Alicia
Esto es profundo. El aprendizaje por refuerzo recompensa el mejor resultado. Pero en los datos humanos, el mejor resultado — la pintura más hermosa, la frase más elocuente — suele ser una anomalía.

Beto
Es la excepción, no la regla.

Alicia
Así que si entrenamos la IA solo con lo mejor de la humanidad, ...

Beto
... podríamos estar creando herramientas que no entienden realmente nuestra realidad.

Alicia
Entienden una hiperrealidad estadística. Un mundo donde todo el mundo es bello, cada atardecer es perfecto, cada frase profunda. Ese no es el mundo en el que vivimos.

Beto
Es una simulación de nuestros picos, ignorando todos los valles. Una hiperrealidad estadística que nunca existió realmente. Es algo en lo que masticar.

Así que aquí va nuestro reto para ti esta semana: mira los medios que consumes, los anuncios, los artículos, las fotos en tu feed. Pregúntate: ¿quién hizo esto? ¿Y se ve un poco demasiado perfecto?

Alicia
Mantente curioso.

Beto
Gracias por escuchar este análisis profundo. Nos vemos la próxima.