Presentamos un sistema de aprendizaje de un solo disparo en el que un robot aprende eficazmente cómo manipular objetos basándose únicamente en el nombre del objeto, una sola imagen y un ejemplo visual de una persona recogiéndolo. Una vez que el robot ha dominado recoger un nuevo objeto, un comando de audio es todo lo que se necesita para que realice la acción. Nuestro enfoque depende en gran medida de la generación de datos sintéticos, lo cual es crucial para entrenar varios modelos de detección y regresión. Además, introducimos un novedoso modelo de regresión combinado llamado Regresión de Validación Cruzada con Z-Score (CVR-ZS), que mejora la precisión de agarre del robot. El sistema también cuenta con un clasificador que utiliza una técnica de codificación de texto de vanguardia, lo que permite una flexibilidad en los comandos de usuario para la recuperación de objetos. El sistema completo incluye un codificador y clasificador de texto, un detector de objetos y el regresor CVR-ZS. Esta configuración ha sido validada con un robot Niryo Ned.