Intelligence

Explicado · IA aplicada · Producto

Cómo funciona un agente de voz por dentro: oído, cerebro y voz en menos de un segundo.

Construimos un agente que contesta hablando como una persona. Por dentro son tres piezas que tienen que trabajar en menos de un segundo para que la conversación no se sienta robótica. Así funciona y esto cuesta cada parte.

En una llamada, un silencio de dos segundos se siente eterno. Esa es la vara de un agente de voz: no basta con que diga cosas correctas, tiene que decirlas a tiempo. Cuando construimos el nuestro, casi todo el trabajo fue pelear contra los milisegundos.

Las tres piezas

  1. 1Oído: convierte tu voz en texto
  2. 2Cerebro: un modelo de lenguaje decide qué responder
  3. 3Voz: convierte la respuesta en audio que suena humano

En nuestro prototipo, el cerebro tarda alrededor de seis décimas de segundo en empezar a responder y la voz unas cuatro décimas en empezar a sonar. Sumando el oído, la respuesta arranca cerca del segundo. Por encima de eso, la gente empieza a hablar encima del agente o a preguntar «¿aló?».

Los trucos que lo hacen sonar natural

  • Responder por partes: la voz empieza a sonar con la primera frase mientras el cerebro termina la siguiente.
  • Dejar que lo interrumpan: si la persona habla, el agente se calla de inmediato.
  • Escoger la voz a ciegas: probamos varias con oyentes sin decirles cuál era cuál. La voz de locutor de comerciales perdió; sonaba a publicidad.
  • Un modelo rápido, no el más inteligente: para atender una cita, la velocidad pesa más que el razonamiento profundo.

Así no

Un agente que espera a tener la respuesta completa y la lee de corrido con voz de locutor.

Así sí

Un agente que empieza a hablar en menos de un segundo, se calla si lo interrumpes y suena como alguien del equipo.

La gente no juzga la inteligencia del agente. Juzga si la conversación se siente normal.

Qué cuesta

Cada pieza se paga por uso: minutos de transcripción, palabras del modelo y caracteres de voz, más la línea telefónica. Las plataformas que lo empaquetan todo cobran por minuto. Armarlo por piezas puede salir más barato, pero exige mantenerlo. Por eso en VORIFY lo ofrecemos como servicio mensual con minutos incluidos: el negocio sabe cuánto paga y nosotros cuidamos que el costo por minuto no se dispare.

“Un buen agente de voz no se nota. Se nota cuando nadie contesta.”

Si quieres calcular cuántas ventas se te van, usa la calculadora de lo que pierde un negocio por no contestar a tiempo. Si estás armando el tuyo con modelos abiertos, revisa primero la licencia de la voz. Y para saber si tu negocio necesita uno, haz el diagnóstico gratuito.

Fuentes

  1. ElevenLabs · documentación de modelos de voz
  2. Pipecat · framework abierto para agentes de voz