Cómo interrumpir a un asistente de voz con IA en el iPhone y qué pasa después

Desde la versión 2.4, Orvena escucha mientras habla. Puedes cortar una respuesta, cambiar de idea a mitad o decir "ajá" sin que se detenga, y un pequeño modelo en el Neural Engine del iPhone averigua cuál de esas cosas querías. Esto es lo que hace en cada caso, las respuestas cortas que da sin el modelo de lenguaje y con qué frecuencia acierta.

Qué pasa cuando interrumpes a Orvena

Durante una sesión de voz, el micrófono sigue abierto mientras Orvena piensa y habla. La cancelación de eco del iPhone elimina la voz de Orvena de lo que capta el micrófono, así que solo te oye a ti. En cuanto el reconocedor de voz de Apple detecta palabras, Orvena baja la voz a más o menos un tercio de su volumen, y Cue, su modelo de turnos, lee lo que has dicho junto a la frase que Orvena estaba diciendo. Hay tres resultados posibles:

En una petición, Cue también marca la palabra en la que empieza, así que "vale, entendido, ahora mira Lisboa" llega al modelo como "ahora mira Lisboa". Cuando tiene dudas, se queda con una palabra de más: un "vale" extra no le cuesta nada al modelo, y perder "Lisboa" sí.

Una orden clara de parar surte efecto mientras todavía estás hablando, en cuanto Cue está seguro al menos al 90 %. Todo lo demás espera a una pausa: 0,7 segundos sin palabras nuevas, o 0,4 segundos si el reconocedor ya ha marcado tu frase como terminada. Un "¿eh?", un comentario a otra persona de la habitación o la tele de fondo deberían dejar que la respuesta siga, para que no se corte cada vez que alguien habla.

Esto también funciona mientras Orvena aún está preparando una respuesta. Si añades "mejor ponlo a las 7:30" antes de que empiece a hablar, deja de trabajar en la primera petición y responde a la nueva.

Respuestas que se saltan el modelo de lenguaje

Algunas cosas que dices en una sesión de voz no necesitan ningún modelo de lenguaje. Cuando empieza un turno nuevo, Cue comprueba primero si es una de las nueve frases cortas que Orvena puede resolver por su cuenta y, si lo es, Orvena responde al momento con una de sus pocas frases fijas:

Cue lee el final de lo último que dijo Orvena, así que las mismas palabras pueden significar cosas distintas. Después de "¿Lo añado a tu calendario?", un "vale" o un "gracias" es tu respuesta a la pregunta, y va al modelo. Todo lo que lleve una petición también va al modelo: "gracias, ahora añade leche a la lista de la compra" es una petición, no un agradecimiento. Cue solo responde por su cuenta cuando está seguro al menos al 90 %, y al 97 % en una despedida, porque con ella termina la sesión.

Cuando una petición sí va al modelo y no se ha dicho nada en 0,8 segundos, Orvena dice algo breve como "Vale, déjame ver." Si la respuesta aún no está lista a los 10 segundos, dice "Sigo con ello." Ninguna de las dos suena una vez que ha empezado la respuesta.

Dónde se toma la decisión

Cue es un modelo pequeño propio de Orvena, con 376 millones de parámetros, entrenado específicamente para estas dos decisiones. Se ejecuta en el Neural Engine del iPhone: en un iPhone 17 Pro Max, una decisión tardó unos 8 milisegundos con el móvil en reposo y unos 10 mientras la GPU estaba ocupada generando. Así la GPU queda para el modelo de lenguaje que escribe las respuestas, algo que importa sobre todo cuando ese modelo es el propio de Orvena, que genera en el mismo móvil.

Cue solo lee texto: la transcripción del reconocedor en el dispositivo de Apple y las palabras que Orvena estaba diciendo. Nada relacionado con una interrupción sale del móvil. Es una descarga de 385 MB que llega con las voces después de desbloquear la voz, y la primera sesión de voz lo prepara una vez para el Neural Engine, con la misma barra de progreso que las voces. Si no se pudo descargar, por ejemplo porque estabas sin conexión, la voz arranca igualmente y te avisa: "Interrumpir está desactivado por ahora. Orvena terminará de prepararlo la próxima vez que inicies la voz."

El modelo y el código de referencia están en Hugging Face con licencia Apache 2.0.

Con qué frecuencia acierta

En conjuntos de prueba redactados por separado de sus datos de entrenamiento, en sus 30 idiomas, Cue acertó en el 90,4 % de 900 interrupciones y en el 95,2 % de 1.800 turnos nuevos. Solo toma el atajo cuando está seguro: de 990 peticiones pensadas para el modelo de lenguaje, 1 recibió una respuesta corta en su lugar.

Conviene saber

• Idiomas. Cue conoce 30 idiomas. La voz escucha en los idiomas que admite el reconocedor en el dispositivo de Apple, y las respuestas cortas funcionan en todos ellos salvo en noruego.
• Altavoz o auriculares. Con AirPods u otros auriculares, Orvena escucha todo el tiempo. Con el altavoz del propio iPhone depende de la cancelación de eco, y sin ella, Orvena solo escucha entre una respuesta y otra.

Preguntas frecuentes

¿Con qué modelos funciona la interrupción?

El modelo propio de Orvena, Apple Intelligence, Private Cloud Compute y los modelos en la nube que añadas con tu propia clave. Cue se ejecuta en el móvil sea cual sea el modelo que escribe la respuesta. En una sesión de voz en directo con tu propia clave de OpenAI, el modelo en tiempo real de OpenAI gestiona las interrupciones por sí mismo.

¿Funciona sin conexión?

Sí, una vez que Cue y las voces están en el móvil y la respuesta viene del modelo de Orvena o de Apple Intelligence. El reconocimiento, la decisión y la voz se ejecutan en el iPhone.

¿Orvena guarda lo que digo mientras habla?

Lo transcribe con el reconocedor en el dispositivo de Apple, igual que cuando te escucha en tu turno, y Cue lee esa transcripción en el móvil. Las palabras que decide que no iban dirigidas a Orvena se descartan y no pasan a formar parte de la conversación.

¿Por qué Orvena dice "déjame ver" antes de responder?

Cuando una petición va al modelo de lenguaje y no se ha dicho nada en 0,8 segundos, Orvena dice una frase corta para que sepas que te ha oído. Si la respuesta tarda más de 10 segundos, te avisa de que sigue trabajando en ello.

¿Cue es de código abierto?

Los pesos, una versión Core ML para el Neural Engine y el código de referencia están en Hugging Face con licencia Apache 2.0, la misma que el modelo Qwen3 en el que se basa. Los datos de entrenamiento también se publican allí, con licencia CC BY 4.0.