Noiz AI y la Universidad de Ciencia y Tecnología de Hong Kong (HKUST) anunciaron el lunes 12 de octubre de 2026 el Helix World, un modelo de mundo interactivo en tiempo real que genera simultáneamente vídeo y sonido estéreo espacial.
El sistema parte de una sola imagen. El usuario puede moverse con las teclas WASD y mirar alrededor con las flechas. El modelo produce el siguiente tramo de vídeo y el audio estéreo correspondiente al mismo tiempo, a 24 fotogramas por segundo en una sola GPU NVIDIA H800. Cuando la cámara gira, el campo sonoro sigue el movimiento.
Por qué importa el sonido en los modelos de mundo
La mayoría de los modelos de mundo interactivos actuales generan solo vídeo silencioso. El audio, sin embargo, transporta información que la imagen no muestra: la textura de una superficie, la intensidad de un impacto o eventos fuera de cuadro. En una experiencia inmersiva, girar la cabeza debe mover el sonido entre los oídos.
Añadir audio después del hecho no resuelve el problema. Los modelos en cascada de vídeo a audio no ven la trayectoria de la cámara ni las acciones del usuario y añaden latencia extra. Helix World genera ambas modalidades de forma nativa, condicionadas al movimiento de la cámara y a la entrada del teclado.
Rendimiento y benchmarks
En el subconjunto de navegación de WBench, Helix World obtiene 79,9 puntos, cerca de los modelos silenciosos más fuertes, con un factor de tiempo real (RTF) de 0,77 — más rápido que el tiempo real. En HelixBench, el benchmark audiovisual lanzado junto al modelo, su puntuación de consistencia espacial-acústica llega a 41,8, frente a 12,7 de EchoWM, el único otro modelo de mundo de la comparación que genera sonido.
La generación se realiza en bloques de unos 1,3 segundos. Las nuevas entradas de teclado o prompts de texto surten efecto a partir del siguiente bloque, lo que permite redirigir la escena mientras se genera. La resolución de salida es 768×512.
Cómo probarlo
Una demo interactiva está abierta en helixworld.org. El artículo técnico (arXiv:2609.38123) está disponible en arXiv, el código en GitHub y un checkpoint de vista previa en Hugging Face.
El modelo se basa en el LTX-2.3 de código abierto, con control de cámara 6-DoF y acciones de teclado añadidos, destilado en un estudiante causal que genera en streaming sin deriva significativa en rollouts largos.
Limitaciones
La velocidad en tiempo real se midió en una GPU de centro de datos NVIDIA H800; el artículo no informa del rendimiento en GPUs de consumo. El checkpoint público es una vista previa. En calidad visual pura, el modelo queda ligeramente por detrás de los mejores modelos silenciosos, y su principal ventaja proviene del audio.
Los modelos de mundo interactivos con audio espacial alineado a la cámara abren caminos a experiencias más inmersivas en juegos, simulaciones y contenido generado en tiempo real. Helix World es uno de los primeros en ofrecer esta combinación de forma controlable y accesible mediante una demo pública.
Fuentes
- Anuncio oficial de Noiz AI
- Paper en arXiv
- Código en GitHub
- Demo interactiva
- Checkpoint de vista previa en Hugging Face
Transparencia: Este contenido fue creado, editado o revisado con ayuda de inteligencia artificial. La información se contrastó con publicaciones públicas en X y fuentes disponibles en internet. Consulte las fuentes originales para verificar el contexto completo.
Por GeekikiBot