Guía · Intermedio · 12 min
Agentes de voz: funcionamiento, plataformas, latencia, costos y casos de uso
Un agente de voz escucha, responde y actúa por teléfono o en una aplicación. Compare arquitecturas, latencia, costos y controles para elegir con criterio.
Un agente de voz recibe lenguaje hablado, prepara una respuesta y puede realizar acciones en un programa mediante herramientas. Funciona por teléfono, en un navegador o en una aplicación, con una arquitectura que combina reconocimiento de voz, modelo de lenguaje y síntesis de voz, o bien utiliza un modelo de audio conversacional. Para elegirlo, la latencia y la fiabilidad de las acciones pesan tanto como el precio anunciado por minuto.
Qué distingue a un agente de voz de una voz sintética
Una voz sintética convierte texto en sonido. Un agente de voz también debe escuchar, detectar cuándo ha terminado de hablar su interlocutor, mantener el hilo de la conversación y decidir qué hacer después. Por eso, una voz agradable no garantiza una conversación fluida ni una solicitud bien resuelta.
La capacidad de actuar es otra diferencia. Informar sobre el horario de atención es una función de asistencia conversacional; consultar un calendario y reservar una cita requiere conectarse al sistema de gestión. La llamada a herramientas permite ejecutar esa acción, pero el servidor debe comprobar los permisos y los parámetros recibidos.
Piense en un ejemplo de reserva de citas. El agente recoge el motivo, consulta la disponibilidad, propone un horario, solicita confirmación y registra la reserva. Solo anuncia que la operación se ha completado cuando recibe la confirmación del programa.
Esta separación evita confundir lo que se dice con lo que se ha hecho. Una frase que afirma que la cita está reservada no demuestra que exista la reserva. El estado del sistema de gestión debe seguir siendo la referencia, incluso si se corta la llamada.
Antes de elegir una plataforma, defina el servicio que espera ofrecer: informar, recoger una solicitud, ejecutar una operación o transferir la llamada. Cada función necesita permisos, controles y criterios de éxito diferentes.
Dos arquitecturas: en cascada y de audio conversacional
La arquitectura en cascada convierte primero la voz en texto, envía ese texto al modelo de lenguaje y transforma su respuesta en audio. El procesamiento puede hacerse en flujo continuo: algunos componentes empiezan a trabajar antes de recibir el mensaje completo.
Una arquitectura de audio conversacional procesa directamente entradas y salidas de sonido. Puede conservar información que se pierde en una transcripción, como determinadas entonaciones. Sin embargo, sus capacidades concretas, sus herramientas y sus opciones de control dependen del modelo elegido.
| Criterio | Cascada de reconocimiento, lenguaje y síntesis | Modelo de audio conversacional |
|---|---|---|
| Composición | Componentes separados y sustituibles | Procesamiento de audio más integrado |
| Diagnóstico | Inspección de transcripciones y etapas intermedias | Observación condicionada por los eventos disponibles |
| Control de la respuesta | Texto disponible antes de sintetizarlo | Control variable según la interfaz |
| Optimización | Ajuste independiente de cada componente | Ajuste del modelo y de su orquestación |
| Costos que revisar | Audio, texto, síntesis y transporte | Audio de entrada, de salida y servicios asociados |
La cascada facilita el análisis de un error: transcripción incorrecta, decisión equivocada o mala pronunciación. También aumenta el número de interfaces que hay que supervisar. El modelo de audio integrado simplifica algunas conexiones, pero no elimina los problemas de red, de turnos de palabra ni de operaciones en los sistemas de gestión.
La elección debe comprobarse con la tarea que necesita resolver. Recoger referencias exige reproducirlas con exactitud; una conversación educativa necesita más flexibilidad. Compare ambas arquitecturas con las mismas grabaciones y operaciones, utilizando criterios definidos antes de la prueba.
Plataformas y frameworks que conviene comparar
Las soluciones gestionadas proporcionan infraestructura e interfaces de configuración. Los frameworks dan más control durante el desarrollo, a cambio de una mayor responsabilidad de operación. Nuestra selección de herramientas de IA reúne las fichas y los datos actualizados de cada solución.
| Solución | Tipo | Por dónde empezar la evaluación | Trabajo que sigue a su cargo |
|---|---|---|---|
| Retell AI | Plataforma gestionada | Telefonía, configuración y análisis de llamadas | Diseño del proceso, integraciones y validación |
| Vapi | Plataforma de orquestación de voz | Combinación de componentes y conexiones | Elección de proveedores y control del costo total |
| LiveKit Agents | Framework de agentes en tiempo real | Sesiones de audio, lógica y gestión de la conversación | Desarrollo y elección del despliegue |
| Pipecat | Framework de Python | Flujos de procesamiento de audio y componentes modulares | Desarrollo, integración y operación |
La página oficial de Retell AI presenta, entre otras funciones, transcripciones, pruebas mediante simulación, webhooks y acceso por API. Compruebe cuáles están incluidas en su plan y cuáles generan cargos adicionales.
Vapi separa el alojamiento de la orquestación de los componentes utilizados. Este desglose ayuda a comparar configuraciones, aunque obliga a revisar varias partidas de gasto.
La documentación de LiveKit Agents describe un framework para construir agentes de voz y sus interacciones. El repositorio oficial de Pipecat presenta un enfoque modular en Python que conecta servicios de IA, sistemas de transporte y flujos de procesamiento conversacional.
Estas diferencias de enfoque no constituyen una clasificación de calidad. Pida a cada proveedor una demostración de su escenario, la exportación de los registros necesarios y una estimación basada en la misma configuración.
La latencia se mide hasta que se oye la respuesta
La latencia conversacional que importa al usuario va desde el momento en que termina de hablar hasta que empieza a oír la respuesta. Una medición limitada al modelo o a la síntesis deja fuera parte de la espera que experimenta.
En una cascada, la demora puede deberse a la detección del final de la intervención, la transcripción, el modelo, una consulta al sistema de gestión o la generación del audio. También intervienen el transporte y los búferes de reproducción. Algunos procesos se solapan: sumar sus duraciones por separado no permite necesariamente reconstruir el tiempo total.
Distinga, como mínimo:
- el tiempo de conexión antes del saludo inicial;
- la espera hasta una respuesta conversacional;
- la espera hasta un resultado que requiere una herramienta;
- el tiempo que tarda en detenerse la voz cuando interviene el usuario.
Una frase breve de espera puede ayudar a entender que hay una búsqueda en curso. No debe ocultar una consulta bloqueada ni contabilizarse como la entrega del resultado. Mida por separado el primer sonido y la respuesta útil.
Registre la mediana y los percentiles altos, y explique qué representan: el percentil 95 indica el tiempo por debajo del cual se sitúa el 95 % de las observaciones. Especifique el número de intercambios medidos, el canal, la región de alojamiento y las condiciones de red.
Ningún umbral universal sustituye a las pruebas. Un agente que consulta un expediente puede explicar la espera; un ejercicio de conversación exige intercambios más inmediatos. Fije objetivos según el proceso y observe después las interrupciones, las repeticiones y los abandonos.
Final de la intervención, interrupciones y coherencia del historial
Detectar un silencio no basta para saber si una persona ha terminado de hablar. Puede estar buscando un número, tomando aire o dudando sobre una fecha. Una respuesta demasiado temprana interrumpe la solicitud; una espera excesiva dificulta el uso del agente.
La documentación de LiveKit sobre los turnos de palabra distingue entre detección de actividad de voz, detección del final del turno y gestión de interrupciones. Estos mecanismos deben ajustarse conjuntamente y comprobarse después con conversaciones realistas.
Prevea, en particular, la diferencia entre una interrupción explícita y una breve expresión de asentimiento. Detener una explicación ante cualquier ruido puede resultar tan molesto como seguir hablando cuando alguien pide que se detenga. Describa el comportamiento esperado en sus criterios de aceptación.
Las interrupciones también afectan al historial. Si una respuesta se corta antes de reproducir un dato esencial, el sistema no debe dar por hecho que el usuario lo ha oído. Siempre que sea posible, distinga entre la respuesta generada, el audio enviado y el contenido que llegó a reproducirse.
En las operaciones de gestión, una interrupción verbal no garantiza la cancelación de una acción que ya se ha enviado. El servidor debe seguir su estado y permitir que se compruebe. Una reserva iniciada justo antes de un corte no debe repetirse sin verificar qué ocurrió.
Por último, pruebe cómo termina la conversación en distintas situaciones: silencio prolongado, negativa, solicitud de devolución de llamada y petición de transferencia. Todas deben conducir a un desenlace comprensible, sin entrar en un bucle de insistencia.
Calcular el costo total, además del precio anunciado
El presupuesto reúne varias partidas: plataforma, reconocimiento de voz, modelo de lenguaje, síntesis o audio conversacional, telefonía, números, almacenamiento y supervisión. Según el plan, algunas se facturan juntas. A ello hay que sumar el desarrollo inicial y la atención humana de los casos que requieren intervención.
A fecha de 24 de octubre de 2026, la tarifa oficial de Vapi indica aproximadamente 0,05 dólares por minuto de alojamiento, a los que se añaden los componentes y los posibles cargos de transporte. Ese importe, por tanto, no representa el precio completo de una conversación.
En esa misma fecha, Retell AI publica un intervalo aproximado de 0,07 a 0,31 dólares por minuto para sus agentes de voz, en la página oficial citada anteriormente. El desglose distingue, entre otros conceptos, infraestructura de voz, voz, modelo, telefonía y opciones adicionales. Compruebe el total de su configuración y los cargos de su operador.
Las unidades de facturación también varían. La documentación de Vapi sobre costos distingue entre minutos de audio, tokens del modelo y caracteres de voz. Por ello, una estimación convertida a costo por minuto depende de ciertas hipótesis sobre la conversación.
Para preparar un presupuesto:
- multiplique los tiempos facturables por las tarifas aplicables;
- añada suscripciones, números y opciones adicionales;
- incluya pruebas, llamadas fallidas y reintentos;
- calcule el mantenimiento, la supervisión y la intervención humana;
- divida el total entre las solicitudes resueltas correctamente.
La calculadora de precios de LLM ayuda a aislar el componente de texto. No sustituye al cálculo completo de telefonía. Compare sobre todo el costo por resolución correcta: una conversación barata que obliga a llamar de nuevo puede trasladar el gasto a otra parte del servicio.
Telefonía, navegador y capacidad simultánea
El canal forma parte del producto. Una demostración con auriculares y una red estable no valida una llamada desde un teléfono móvil en movimiento. La compresión del audio, las pérdidas de red, el altavoz y el ruido ambiental pueden afectar a la comprensión.
En el navegador, prevea los permisos del micrófono y una indicación clara del estado: conexión, escucha, procesamiento, respuesta o error. Ofrezca otra forma de continuar cuando el micrófono no esté disponible.
En telefonía, compruebe el enrutamiento del número, las transferencias, los mensajes de espera y el cierre de la llamada. SIP designa aquí un protocolo de señalización utilizado para conectar sistemas telefónicos. Una interconexión correcta también debe conservar la información necesaria para la transferencia.
La capacidad simultánea requiere una prueba independiente del volumen mensual. Un servicio puede recibir pocas llamadas en total y, aun así, concentrarlas en momentos concretos. Observe los rechazos, las colas de espera y la evolución de los tiempos de respuesta.
Defina una alternativa antes del lanzamiento: transferencia a un equipo disponible, buzón de voz o propuesta de devolución de llamada. Compruebe qué ocurre si el modelo responde pero falla el calendario, o si nadie atiende la transferencia a una persona.
Un fallo parcial no debe generar una confirmación falsa. El agente debe poder explicar que no ha completado la operación y transmitir una solicitud que permita continuar la atención, con los datos estrictamente necesarios.
Casos de uso adecuados y situaciones que conviene excluir
Los mejores candidatos tienen un alcance claro, una fuente de datos operativos accesible y una alternativa si algo falla. Los escenarios siguientes son ejemplos de diseño, no resultados de clientes.
| Caso de uso | Acción posible | Control decisivo | Alternativa |
|---|---|---|---|
| Atención telefónica inicial | Identificar el motivo y dirigir la llamada | Verificar el departamento de destino | Central telefónica o buzón de voz |
| Citas | Consultar y reservar un horario | Confirmar fecha, lugar y persona | Solicitud de devolución de llamada |
| Seguimiento de expedientes | Consultar un estado | Autenticar antes de revelar información | Canal seguro |
| Asistencia sobre productos | Buscar un procedimiento | Comprobar su pertinencia y su fuente | Asesor humano |
| Práctica oral | Simular una conversación | Explicar las limitaciones de las observaciones | Interfaz de texto |
Una tarea sencilla no siempre necesita una conversación generativa. Un formulario puede ser más adecuado para introducir una dirección compleja; un menú telefónico puede bastar para elegir un departamento. Compare también estas opciones al definir el proyecto.
Excluya del piloto las operaciones en las que un error tendría consecuencias difíciles de corregir. Una voz fluida no justifica delegar sin controles una decisión médica, la concesión de un crédito o un compromiso contractual complejo.
La accesibilidad también exige alternativas. Algunas personas tienen dificultades para hablar, oyen mal o utilizan una conexión deficiente. El canal de voz debería complementar el servicio sin impedir el acceso a un trámite esencial.
El artículo sobre agentes de IA para atención al cliente desarrolla esta perspectiva operativa. Aquí, el criterio principal sigue siendo la capacidad de resolver correctamente una solicitud bien delimitada, con la posibilidad de que una persona retome la atención.
Datos personales, identidad y permisos
Antes del despliegue, documente los flujos de datos: audio, transcripción, contexto del modelo, resultados de herramientas, grabaciones y registros. Identifique los destinatarios, los lugares de procesamiento y los plazos de conservación. Desactivar la grabación no demuestra que se hayan desactivado los demás tratamientos.
La CNIL recuerda qué información debe facilitarse al escuchar o grabar llamadas, en particular sobre la finalidad, los destinatarios y los derechos. Distinga entre informar del uso de un sistema automatizado e informar de la grabación. Solicite que se valide el sistema según su contexto y los territorios afectados.
No considere que una voz familiar o el número que aparece en pantalla bastan para autenticar a alguien en una operación sensible. Utilice un procedimiento acorde con el riesgo, posiblemente mediante un canal en el que la persona ya se haya autenticado. Limite la información que se revela antes de esa comprobación.
Las palabras de quien llama deben tratarse como datos. No pueden modificar las reglas de seguridad ni ampliar los permisos del agente. Aplique la misma separación a los documentos y a las respuestas de las herramientas.
Los permisos deben imponerse en el servidor: operaciones autorizadas, campos accesibles, comprobación de parámetros y prevención de duplicados. La guía para proteger un agente de IA detalla estas medidas.
Por último, revise los propios registros. Un sistema de diagnóstico puede conservar información que no aparece en la aplicación de gestión. Reduzca su contenido, controle los accesos y compruebe en la práctica los mecanismos de eliminación.
Construir un piloto y decidir a partir de los resultados
Empiece con un alcance limitado y un sistema de pruebas. Los requisitos previos son un responsable del proceso, datos utilizables, un procedimiento alternativo y criterios de aceptación. La guía para evaluar un agente de IA ayuda a estructurar esta validación.
- Describir el resultado esperado. Especifique las acciones autorizadas, las confirmaciones necesarias y las situaciones que obligan a transferir la atención.
- Preparar las conversaciones. Incluya solicitudes habituales, formulaciones ambiguas, correcciones y negativas.
- Probar el canal real. Varíe los teléfonos, los hablantes, los silencios y los entornos sonoros.
- Provocar fallos. Deje una herramienta fuera de servicio, interrumpa una operación y simule una transferencia sin respuesta.
- Examinar los registros. Compare la solicitud, los datos interpretados, la acción ejecutada y el resultado anunciado.
Haga un seguimiento de las resoluciones correctas, los errores críticos, las transferencias útiles, los tiempos y el costo total. Una transferencia puede ser un buen resultado cuando protege al usuario. Por el contrario, una conversación que termina sin transferencia puede haber dejado la solicitud sin resolver.
Problemas frecuentes
Si el agente interrumpe las frases, revise la detección del final del turno y los ruidos antes de cambiar de modelo. Si parece lento, separe la espera conversacional, la consulta al sistema de gestión y la reproducción del audio. Si confirma una acción que no existe, compruebe la relación entre el resultado del servidor y la forma en que se redacta la respuesta.
Antes de ampliar el piloto:
- Las acciones sensibles cuentan con controles en el servidor.
- Las interrupciones y los cortes no generan duplicados.
- Los fallos conducen a un desenlace comprensible.
- Los datos y sus plazos de conservación están documentados.
- Los resultados, los tiempos y los costos cumplen los criterios fijados.
Conserve, por último, la configuración evaluada y vuelva a ejecutar los casos críticos después de cada cambio de componente. La calidad de un agente de voz depende de todo el proceso, desde las palabras recibidas hasta el resultado comprobado.
Páginas relacionadas
Preguntas frecuentes
¿Qué diferencia hay entre un agente de voz y un sistema de respuesta de voz interactiva?
Un sistema de respuesta de voz interactiva tradicional dirige la llamada mediante teclas o intenciones previstas. Un agente de voz puede interpretar una solicitud expresada libremente y utilizar herramientas de los sistemas de la organización. Los menús siguen siendo adecuados cuando las opciones son sencillas y su funcionamiento debe ser totalmente previsible.
¿Se puede conservar el número de teléfono al utilizar un agente de voz?
Depende de su operador, de su instalación y de las conexiones que admita la plataforma. Un desvío de llamadas o una interconexión telefónica puede evitar el cambio de número. Revise también los costos y lo que ocurre al transferir la llamada a una persona.
¿Se puede alojar un agente de voz completamente en una infraestructura local?
Sí, si tanto el transporte de audio como todos los componentes de procesamiento funcionan en su infraestructura. Alojar únicamente el programa de orquestación no basta si este envía la voz a API externas. Debe evaluar conjuntamente el equipo necesario, el mantenimiento y la calidad en francés.
¿Puede un agente de voz entender los distintos acentos del francés?
Depende del sistema elegido y de las condiciones de la llamada. Incluya en las pruebas a hablantes representativos de su público, con los teléfonos y entornos que utilizan habitualmente. Compruebe sobre todo los datos críticos, como nombres, fechas y referencias de expedientes.
¿Puede un agente de voz aceptar pagos?
Puede dirigir al usuario a un proceso de pago, pero los datos bancarios no deberían circular libremente por el contexto del modelo ni por los registros. Utilice un sistema especializado, limite los permisos y solicite a los responsables correspondientes que validen el proceso.