Compara el pipeline con TTS y el speech-to-speech para agentes de voz: latencia, control, coste e idiomas, con una lista para decidir en tu negocio.
Quieres que tu agente de IA hable, pero cada proveedor te promete algo distinto: voces naturales, respuestas inmediatas, "conversación en tiempo real". Detrás de esas promesas hay dos arquitecturas con consecuencias muy diferentes en control, coste e idiomas. En este artículo te explicamos cómo funciona cada una, en qué se parecen y en qué no, y cómo decidir según tu caso de uso: una tienda que atiende por WhatsApp, un restaurante que recibe reservas por teléfono o una clínica que confirma citas.
Dos arquitecturas, un mismo objetivo
Los dos enfoques persiguen lo mismo: que una persona hable y reciba una respuesta hablada útil y correcta. La diferencia está en lo que ocurre entre el micrófono del cliente y su altavoz.
- Pipeline con TTS (text-to-speech): el audio del cliente se convierte en texto, un modelo de lenguaje redacta la respuesta como texto y una voz sintética lee ese texto en voz alta. Son tres piezas encadenadas.
- Speech-to-speech (voz a voz): un único modelo recibe audio y devuelve audio. No hay un texto intermedio que tú controles paso a paso; el modelo "escucha" y "habla" directamente.
Ninguna es mejor en abstracto. El pipeline te da un texto que puedes revisar, filtrar y auditar. El voz a voz te da una conversación más fluida, con pausas e interrupciones más naturales. Elegir bien depende de qué te duela más: un error en un dato o una pausa incómoda.
Cómo funciona el pipeline con TTS
El pipeline clásico se parece mucho a un agente de texto con un oído y una boca añadidos. Cada etapa se puede cambiar por separado, y eso es su gran virtud.
- 01El cliente habla
- 02Voz a texto (transcripción)
- 03El agente redacta la respuesta
- 04Texto a voz (TTS)
Esto te da varias ventajas prácticas:
- Texto en el medio. Puedes guardar la transcripción, aplicar tus reglas de negocio, filtrar contenido y revisar qué dijo exactamente el agente.
- Mismo cerebro que en texto. La base de conocimiento, la personalidad y las reglas que ya funcionan en tu chat sirven para la voz.
- Voz intercambiable. Puedes cambiar de proveedor de voz, o elegir una voz distinta por agente, sin tocar la lógica de las respuestas.
- Costes más predecibles. Cada etapa se factura de forma reconocible, y puedes reducir gasto ajustando una sola pieza.
El inconveniente es que las etapas se suman. Hasta que no termina la transcripción no empieza el razonamiento, y hasta que no hay texto no empieza la síntesis. En una llamada, ese encadenamiento puede notarse como una pausa antes de cada respuesta, y es más difícil que el agente reaccione bien si el cliente lo interrumpe a mitad de frase.
Cómo funciona el speech-to-speech
En el voz a voz, un modelo entrenado para trabajar con audio procesa lo que dice el cliente y genera la respuesta hablada de forma continua. No espera a que acabe una etapa para empezar la siguiente, así que la conversación se siente más viva.
Lo que ganas:
- Ritmo conversacional. Las pausas son más cortas y el modelo gestiona mejor las interrupciones del tipo "espera, mejor el jueves".
- Entonación. Capta matices del audio, como duda, prisa o enfado, que se pierden al pasar a texto.
- Menos piezas que integrar. Hay un solo flujo de audio en lugar de tres servicios coordinados.
Lo que cedes:
- Menos control fino. Es más difícil inspeccionar y corregir cada frase antes de que se pronuncie.
- Dependencia del proveedor. Si el modelo de voz a voz es de un único proveedor, no hay un segundo proveedor al que cambiar de forma automática si falla.
- Cobertura de idiomas y acentos. Conviene probar con el español que hablan tus clientes, desde el rioplatense hasta el andaluz, antes de comprometerte.
Comparativa lado a lado
La tabla resume una idea: el TTS te da control y flexibilidad, el voz a voz te da naturalidad. Si tu conversación es corta y estructurada, el control suele pesar más. Si es abierta y emocional, pesa más la naturalidad.
Qué importa más en atención al cliente
En soporte, la voz bonita es lo de menos. Estas son las preguntas que realmente marcan la diferencia:
Exactitud de los datos
Si el agente confirma un importe, una fecha de entrega o una política de devolución, el error cuesta dinero. El pipeline con TTS facilita comprobar la respuesta como texto antes de leerla y revisar después la transcripción.
Respuesta ante interrupciones
Por teléfono la gente interrumpe, corrige y duda. Un agente que no sabe callarse cuando el cliente habla se vuelve frustrante enseguida. Aquí el voz a voz suele llevar ventaja.
Escalado a una persona
Sea cual sea la arquitectura, necesitas una salida clara hacia un humano cuando el caso lo pide: una reclamación, un cliente molesto, un pago dudoso. La mejor voz del mundo no compensa un agente que no sabe cuándo pasar el testigo.
Idiomas
Si atiendes a clientes en España y en varios países de Latinoamérica, pregunta qué idiomas cubre cada voz y qué ocurre cuando una lengua no tiene voz propia. A veces el sistema recurre a una voz en inglés, y eso se nota.
Coste
El coste de voz se mide en minutos, no en mensajes. Un ejemplo hipotético: si recibes 200 llamadas al mes de 3 minutos de media, son 600 minutos. Si cada minuto consume 4 créditos, serían 2.400 créditos al mes solo en voz. Es una cuenta de ejemplo; usa tus propios volúmenes y la tarifa real de tu plan.
Elegir según el caso de uso
- Preguntas frecuentes por teléfono (horarios, estado de un pedido, ubicación): pipeline con TTS. Las respuestas salen de tu base de conocimiento y quieres que sean fieles a ella.
- Reservas y citas (restaurante, clínica, peluquería): pipeline con TTS si el flujo está muy guiado; voz a voz si el cliente suele cambiar de idea sobre la marcha.
- Primer filtro de ventas o captación de contactos: voz a voz puede aportar una conversación más cálida, siempre que registres bien los datos que el cliente da.
- Campañas de llamadas salientes de recordatorio: el pipeline con TTS, por previsibilidad y coste.
- Soporte en WhatsApp, Instagram o chat web: aquí normalmente no necesitas voz en tiempo real. El texto resuelve la mayoría de los casos y deja constancia escrita para el cliente.
Una lista práctica para decidir
Responde con sinceridad a estas preguntas:
- ¿Tus clientes te llaman por teléfono o prefieren escribir por WhatsApp?
- ¿Las respuestas dependen de datos exactos que debas poder auditar?
- ¿Las conversaciones son cortas y guiadas, o largas y abiertas?
- ¿Necesitas cambiar de voz o de proveedor sin rehacer nada?
- ¿Qué pasa si el proveedor de voz falla un viernes por la tarde? ¿Hay alternativa?
- ¿Cuántos minutos de voz esperas al mes y cuánto estás dispuesto a pagar por ellos?
- ¿Tienes claro cuándo y cómo se pasa la llamada a una persona?
Si la mayoría de tus respuestas apuntan a control, auditoría y previsibilidad, empieza por el pipeline con TTS. Si apuntan a naturalidad y conversación libre, prueba el voz a voz en un caso acotado antes de extenderlo.
Cómo hacerlo en AI SNS CHAT
AI SNS CHAT incluye ambas opciones dentro del menú Voice de la barra lateral. Ahí encuentras Voice agent, Voice Playground, Inbound calls, Call history, Outbound calls, Analytics y Avatar, entre otras secciones.
Pipeline con TTS. Para la síntesis de voz puedes elegir entre Grok/xAI (el proveedor por defecto), OpenAI (gpt-4o-mini-tts), ElevenLabs o la voz del navegador. Con ElevenLabs puedes además usar su biblioteca de voces, diseñar una voz nueva o clonar una. La configuración de voz de cada agente está en su página de voz, y puedes probarla antes de publicar en Voice Playground.
Speech-to-speech. Synthia, la gestora de tu flota de agentes, usa la API Realtime de OpenAI para el voz a voz. Es solo OpenAI y no tiene proveedor alternativo automático. También se ofrece el voz a voz de Grok, que por defecto responde únicamente al propietario de la cuenta.
Llamadas. Para recibir llamadas conectas un número de Twilio a cada agente en Inbound calls; la plataforma incluye una autocomprobación del webhook y reparación automática. Para campañas salientes (Outbound calls) necesitas también un número de Twilio, haces una llamada de prueba antes y puedes detener la campaña en marcha.
Idiomas. La pila de voz cubre 22 idiomas, aunque en algunos se usa una voz inglesa como alternativa en las llamadas. Revisa tu idioma en Voice Playground antes de publicar.
Coste. En texto, una respuesta equivale a un crédito. En voz, la referencia de la cotización de Private AI es de 4 créditos por minuto, y los créditos por minuto de voz los fija el administrador, así que confirma la cifra que te aplica en precios.
Lo que todavía no está disponible: la voz en WhatsApp y los números gestionados están solo en lista de espera. Las opciones de SIP se pueden guardar, pero no hemos encontrado un camino de llamada que las utilice, así que no cuentes con ellas hoy. Para WhatsApp, Instagram y chat web, tu agente de texto sigue siendo el camino principal; consulta los canales disponibles y las funciones. Si quieres probar, puedes crear una cuenta.
Preguntas frecuentes
¿Es el speech-to-speech siempre mejor que el TTS?
No. Suena más natural y gestiona mejor las interrupciones, pero ofrece menos control sobre cada frase y depende de un proveedor concreto. Para respuestas que deben ser exactas y auditables, el pipeline con TTS suele ser la opción más segura.
¿Puedo usar mi agente de texto actual para voz?
Sí, el pipeline con TTS está pensado para eso: la base de conocimiento y las reglas de tu agente se reutilizan y solo añades la parte de voz. Aun así, conviene adaptar el tono, porque las respuestas largas con listas funcionan bien por escrito y mal al oído.
¿Ofrece AI SNS CHAT una alternativa si falla el speech-to-speech?
No. El voz a voz de Synthia usa la API Realtime de OpenAI y no tiene proveedor de reserva. Si necesitas redundancia, el pipeline con TTS te permite elegir entre varios proveedores de voz.
¿Necesito voz para dar soporte en WhatsApp o Messenger?
Normalmente no. La mayoría de las consultas se resuelven bien por texto, y el cliente conserva la conversación escrita. La voz tiene más sentido en llamadas telefónicas; la voz dentro de WhatsApp está hoy solo en lista de espera.
¿Cómo estimo el coste de la voz?
Multiplica los minutos de llamada mensuales previstos por los créditos por minuto que te correspondan. Por ejemplo, 600 minutos a 4 créditos por minuto serían 2.400 créditos, una cifra hipotética. Confirma la tarifa real de tu plan antes de calcular.

