Ir al contenido
AI-SNS.IO — CHAT SUPPORTAI-SNS.IO — CHAT SUPPORT
Voz y avatar

Agentes de voz con IA: cómo funciona la atención hablada

Redacción de AI SNS CHATPublicado 7 min de lectura

Qué es un agente de voz con IA, cómo se compone, cuándo conviene frente a WhatsApp o chat web y cómo lanzar un piloto sin riesgos.

Muchas empresas en España y Latinoamérica ya atienden por WhatsApp, Instagram y chat web, pero el teléfono sigue sonando: reservas, cobros, urgencias, clientes que prefieren hablar. Un agente de voz con IA puede contestar esas llamadas, pero hacerlo bien exige entender qué piezas intervienen y dónde están los riesgos. En este artículo te explico cómo funciona la voz por dentro, cuándo te conviene y cómo lanzar un piloto prudente.

Qué es realmente un agente de voz con IA

Un agente de voz es un asistente que escucha a una persona, entiende lo que pide, decide qué responder y lo dice en voz alta, en tiempo real y con pausas naturales. No es un menú de "marque 1 para ventas": es una conversación abierta, con interrupciones, dudas y frases a medias.

La diferencia con un agente de chat no es solo el canal. En texto, el cliente puede releer, copiar un enlace o esperar unos segundos sin incomodarse. En voz, un silencio de dos segundos ya se siente largo, y una respuesta de cinco párrafos se vuelve insoportable. Por eso un buen agente de voz no es "el agente de chat con un micrófono": se diseña distinto.

Lo que sí puede compartir con tu agente de texto es el conocimiento: tus políticas, horarios, catálogo y preguntas frecuentes. Lo que cambia es la forma de contarlo.

Los tres bloques

Casi cualquier sistema de voz se apoya en tres piezas:

  1. Reconocimiento de voz (voz a texto). Convierte el audio del cliente en texto. Aquí influyen el acento, el ruido de fondo, la calidad de la línea y los nombres propios o números.
  2. Cerebro (modelo de lenguaje). Interpreta el texto, consulta tu base de conocimiento, aplica las reglas de la persona del agente y redacta la respuesta.
  3. Síntesis de voz (texto a voz). Convierte la respuesta en audio. De ella depende el tono, el ritmo y si suena cálido o robótico.

Alrededor de esas tres piezas hay una cuarta que se olvida: la telefonía. Alguien tiene que recibir la llamada, conectar el audio y cortar cuando toca. Cuando algo falla en un piloto, muchas veces el problema está en esa capa y no en la inteligencia del agente.

  1. 01Cliente habla por teléfono
  2. 02Voz a texto
  3. 03Modelo de lenguaje y conocimiento
  4. 04Texto a voz y respuesta
El flujo clásico de una llamada con vozEjemplo ilustrativo

Dos arquitecturas: en cadena y voz a voz

Hay dos maneras de montar ese flujo.

En cadena (pipeline)

Cada bloque es independiente: primero se transcribe, luego se razona, luego se sintetiza. Es la opción más flexible: puedes elegir la voz que más te guste, cambiar el modelo y revisar la transcripción exacta de cada llamada. A cambio, la suma de pasos añade latencia.

Voz a voz (speech-to-speech)

Un único modelo recibe audio y devuelve audio. La conversación suele sentirse más fluida, con mejor manejo de interrupciones y entonación. A cambio, tienes menos piezas que ajustar por separado y dependes más del proveedor del modelo.

En cadena
Voz a voz
Tres piezas que eliges por separado
Un solo modelo de audio a audio
Transcripción fácil de revisar y auditar
Conversación más fluida y natural
Más latencia acumulada entre pasos
Menos control fino sobre cada etapa
Puedes cambiar voz y modelo de forma independiente
Dependes del proveedor del modelo
Cadena frente a voz a vozEjemplo ilustrativo

No hay una ganadora universal. Para una línea de reservas con guion claro, la cadena suele ser suficiente y más fácil de auditar. Para una conversación más abierta, la fluidez de voz a voz puede marcar la diferencia.

Dónde ayuda la voz y dónde no

La voz brilla cuando la persona tiene las manos ocupadas, está conduciendo, no quiere escribir o tiene urgencia. También ayuda con clientes mayores que se sienten más cómodos hablando.

Casos donde suele funcionar bien:

  • Confirmar, cambiar o cancelar citas (clínicas, peluquerías, talleres).
  • Consultar horarios, ubicación, estado de un pedido o requisitos de un trámite.
  • Recordatorios de cita o de pago a clientes que ya tienen relación contigo.
  • Primer filtro: recoger nombre, motivo y datos de contacto antes de pasar a una persona.

Casos donde conviene tener cuidado:

  • Datos que cuesta dictar: correos largos, direcciones complejas, números de pedido con letras. En WhatsApp el cliente los pega y listo.
  • Respuestas con muchos pasos o enlaces: mejor enviarlos después por escrito.
  • Temas emocionalmente delicados, reclamaciones graves o situaciones de salud: ahí debe haber una persona rápido.
  • Entornos ruidosos o líneas malas, donde el reconocimiento falla más.

Principios de diseño para conversaciones habladas

Escribir para ser escuchado es otro oficio. Estos principios ayudan mucho:

  • Respuestas cortas. Una o dos frases y, si hace falta, una pregunta. Evita listas largas: nadie retiene cinco opciones de memoria.
  • Una pregunta a la vez. "¿Para qué día?" y después "¿a qué hora?", no ambas juntas.
  • Confirma lo importante. Repite fechas, importes y nombres: "Entonces, el jueves 14 a las cinco de la tarde, ¿correcto?".
  • Preséntate con claridad. Di desde el principio que es un asistente virtual y qué puede hacer. Evita que el cliente se sienta engañado.
  • Prepara la salida. Define cuándo se pasa a una persona (enfado, tres malentendidos seguidos, petición explícita) y qué se le dice al cliente mientras tanto.
  • Evita jerga escrita. Nada de "como se indica en el apartado 3.2". Habla como hablaría tu mejor recepcionista.
  • Cuida los números. Pronunciarlos en grupos ("seis, cinco, cero…") suele ser más claro que decir cifras grandes de golpe.

También conviene decidir el registro: en muchos negocios de España y Latinoamérica el trato de "usted" transmite respeto en el teléfono, mientras que en marcas jóvenes el "tú" encaja mejor. Define la voz y el tratamiento en la persona del agente y pruébalos con oyentes reales.

Un plan de despliegue seguro

Lanzar voz de golpe a toda tu base de clientes es la forma más cara de aprender. Mejor así:

  1. Elige un caso acotado. Por ejemplo, horarios y confirmación de citas. Un solo objetivo.
  2. Prueba en privado. Habla con el agente tú y tu equipo, con distintos acentos, ruido y frases torpes. Anota dónde se atasca.
  3. Ajusta la base de conocimiento y la persona. La mayoría de los fallos son respuestas demasiado largas o datos que faltan.
  4. Abre un piloto pequeño. Un número o una franja horaria, con una persona disponible para recoger lo que el agente escale.
  5. Revisa llamadas reales cada semana. Escucha una muestra, no solo las que fallaron.
  6. Amplía poco a poco. Cuando el piloto sea estable, suma casos de uso.

Si piensas en llamadas salientes (recordatorios, por ejemplo), añade tres precauciones: llama solo a personas con las que ya tienes relación y consentimiento, haz siempre una llamada de prueba antes de lanzar la tanda, y ten a mano la posibilidad de detenerla si algo sale mal.

Cómo medir si funciona

No te quedes con la impresión de "suena bien". Mide:

  • Resolución: qué porcentaje de llamadas termina sin ayuda humana y sin que el cliente tenga que volver a llamar.
  • Escaladas: cuántas pasan a una persona y por qué motivo.
  • Duración: una llamada muy larga suele indicar confusión; una muy corta, abandono.
  • Satisfacción: una pregunta breve al final o una revisión posterior de muestras.
  • Errores recurrentes: nombres mal entendidos, fechas confusas, respuestas inventadas.

Un reparto típico de revisión en un piloto podría verse así. Son cifras inventadas solo para ilustrar la idea:

Sin necesidad de revisión
60
Revisión rápida de la transcripción
25
Escaladas a una persona
10
Fallos técnicos de línea o audio
5
Ejemplo hipotético: en qué se revisan las llamadas de un piloto (100 llamadas)Ejemplo ilustrativo

Lo valioso no es el número en sí, sino el hábito: cada semana, mirar las llamadas que cayeron en "escalada" y "fallo", y corregir la causa.

Cómo hacerlo en AI SNS CHAT

En AI SNS CHAT la voz vive en el menú lateral Voice, con secciones como Overview, Voice agent, Voice Playground, Inbound calls, Outbound calls, Call history y Analytics. Un recorrido práctico:

  1. Prepara el agente. Crea el agente con el asistente guiado, define su persona y guardarraíles, y carga tu conocimiento desde Data sources (archivos, textos, sitio web, preguntas y respuestas, Notion y otros). Es el mismo trabajo que ya haces para el chat.
  2. Elige la voz. Los proveedores de texto a voz son Grok/xAI (el predeterminado), OpenAI (gpt-4o-mini-tts), ElevenLabs y la voz del navegador. Con ElevenLabs puedes usar su biblioteca, diseñar una voz o clonarla.
  3. Prueba en Voice Playground antes de conectar ningún número. Es el lugar para afinar tono y longitud de las respuestas.
  4. Recibe llamadas. En Inbound calls conectas un número de Twilio a cada agente; hay autoprueba y reparación automática del webhook.
  5. Llama tú (opcional). En Outbound calls puedes lanzar campañas por lotes, también con número de Twilio. Exigen una llamada de prueba antes y puedes detenerlas a mitad de la tanda.
  6. Revisa. Call history y los análisis de voz te dan el material para el ciclo semanal que describíamos arriba.

Si prefieres el enfoque voz a voz, Synthia, la gestora de tu flota de agentes, usa la API Realtime de OpenAI. También hay una opción de voz a voz con Grok, que por defecto responde solo al propietario de la cuenta. Además existe un avatar parlante, creado con sincronización labial de Simli o subiendo un clip propio.

Sobre costes: la voz consume créditos por minuto, y esa equivalencia la fija el administrador de la plataforma. En una cotización de Private AI aparece 1 minuto de voz = 4 créditos. Revisa tu plan en /pricing y el detalle de funciones en /features.

Preguntas frecuentes

¿Necesito un número de teléfono para probar un agente de voz?

Para probar no: puedes usar Voice Playground y afinar el agente sin conectar nada. Para recibir llamadas reales sí necesitas un número de Twilio conectado al agente en Inbound calls. Las campañas salientes también requieren un número de Twilio.

¿Puede el mismo agente atender chat y voz?

Tu conocimiento y tu persona se configuran en el agente, y el número telefónico se conecta a ese agente. Aun así, conviene revisar el guion hablado: lo que funciona bien en WhatsApp, con enlaces y listas, suele ser demasiado largo para decirlo en voz alta.

¿Qué idiomas admite la voz?

La pila de voz cubre 22 idiomas, entre ellos portugués, alemán, turco, vietnamita, polaco, neerlandés, sueco y ucraniano. En algunos de esos idiomas la voz telefónica usa una voz en inglés como alternativa, así que prueba siempre con oyentes nativos antes de lanzar.

¿Puedo usar mi propia troncal SIP o atender llamadas por WhatsApp voz?

Por ahora no cuentes con ello. Los ajustes de SIP se pueden guardar, pero no hay una ruta de llamadas que los use. La voz por WhatsApp y los números gestionados están en lista de espera, marcados como "Coming soon". Hoy la vía para llamadas es Twilio.

¿Es seguro usar voz para recordatorios salientes?

Es razonable si llamas solo a personas con las que ya tienes relación y consentimiento. La plataforma pide una llamada de prueba antes de lanzar la campaña y permite detenerla durante la ejecución. Empieza con un grupo pequeño y revisa las primeras llamadas antes de ampliar.

#agente de voz#IA conversacional#llamadas#atención al cliente#WhatsApp

Ponlo en práctica con AI SNS CHAT

Crea un agente de IA entrenado con tu propio contenido y conéctalo a tu web, WhatsApp, Messenger y más. Gratis para empezar, sin tarjeta de crédito.