VIT Intercore: un asistente de IA privado que se maneja con la voz y la mano

Crear el asistente para nuestro propio trabajo diario y que se le hable como a una persona: por su nombre y con la mano. En lugar de ventanas y menús hay un único objeto en pantalla: un planeta formado por 76 000 fragmentos de luz. Al despertar, su memoria se despliega alrededor como un grafo: personas, la empresa, sistemas, habilidades y música. VIT Intercore es un producto interno propio de VITON¹³.

Hicimos la escena del núcleo, el control con la mano, la voz y una segunda escena, el banco de trabajo. La mano funciona como puntero: la palma abierta despierta el núcleo, un pellizco agarra y gira la vista, dos pellizcos hacen zoom y un pellizco corto pulsa un nodo. El micrófono espera la palabra «Vit» y el asistente responde en voz alta.

El banco tiene profundidad real: piezas, cables, un soldador y una papelera. Unas gafas inteligentes y un reloj se montan paso a paso, a mano o por voz, y seis ejercicios entrenan la mano: agarrar y lanzar, pulsar, ordenar, apilar, hacer zoom y girar. Para mostrar el producto grabamos un tráiler de 1 minuto y 4 segundos; su música es una pieza original escrita para el vídeo.

La cámara sigue ambas manos. El seguimiento de manos se ejecuta en local con MediaPipe; no se guarda ningún fotograma de la cámara. La voz pasa por un solo «cerebro»: entiende la petición, llama a las herramientas (abrir una sección, encontrar un nodo, poner música, montar un kit) y pronuncia la respuesta. Si suena música y se oye el nombre, la pista se atenúa para que el asistente escuche y responda.

El planeta, el grafo, la mesa y cada pieza son procedurales: dibujados con código en three.js, sin archivos de modelos 3D. El tráiler está grabado fotograma a fotograma desde la interfaz real.

El asistente es privado, así que mostramos su tráiler. El vídeo dura 1 minuto y 4 segundos y recorre el despertar, la memoria, los gestos, una búsqueda por voz, la música, el banco de trabajo y el entrenamiento de manos. La versión que grabamos el 7 de octubre de 2026 contiene 387 nodos de memoria y 656 enlaces, y su planeta está formado por 76 000 fragmentos de luz.

La galería muestra pantallas de la misma interfaz: el despertar con la palma abierta, el zoom con dos manos, la tarjeta de un nodo tras una búsqueda por voz, el montaje de las gafas y el reloj terminado.

Es nuestro propio producto interno, no un trabajo para un cliente. La aplicación es privada: no hay demo pública ni descarga, así que no se puede probar; mostramos solo el vídeo y las pantallas.

En el vídeo las manos son trayectorias guionizadas enviadas al mismo puntero que controla la cámara, y las órdenes de voz aparecen como texto en pantalla; las frases del asistente son su voz sintetizada real. Los registros personales de la memoria se sustituyeron por datos de demostración antes de grabar. El caso no afirma clientes, ingresos, número de usuarios ni pruebas comparativas, y el vídeo no mide con qué precisión el asistente reconoce manos y voz en directo.

Cómo revisar el portafolio de un estudio web →