¿Qué significa que una máquina “entienda” una imagen? ¿Cómo puede generar una voz — o un vídeo?

Este volumen recorre el salto a la IA multimodal: modelos que conectan texto, imágenes, audio (y más) y usan esas representaciones para crear. La idea guía es la misma: convertir lo que parece magia en un mecanismo que puedas razonar.

Lo que aprenderás

• Visión: de píxeles a representaciones
• Audio: reconocimiento, síntesis y significado
• Modelos generativos: crear imagen/audio/vídeo (y por qué funciona)
• Alineación multimodal: conectar visión, audio y lenguaje
• Accesibilidad: IA como puente sensorial