Un agente de voz IA funciona como una cadena en streaming: el audio del llamante entra en un motor de reconocimiento de voz (ASR) que lo transcribe sobre la marcha; el texto pasa a un LLM que, con las instrucciones y datos del negocio, genera la respuesta; y esa respuesta se convierte en audio mediante síntesis de voz (TTS). Todo el ciclo se repite en cada turno de conversación.
El gran reto técnico es la latencia: para que la conversación suene natural, el tiempo entre que el llamante termina de hablar y el agente empieza a responder debe mantenerse por debajo de unos 800 milisegundos. Por eso estos sistemas procesan en streaming, detectan cuándo el interlocutor ha terminado su turno y gestionan interrupciones (que el llamante corte al agente a mitad de frase).
Además de conversar, un agente de voz puede ejecutar acciones durante la llamada mediante llamadas a funciones: consultar disponibilidad en una agenda, registrar los datos del cliente, enviar un SMS de confirmación o transferir la llamada a una persona cuando el caso lo requiere. Esa capacidad de actuar es lo que lo distingue de un simple sintetizador con guion.
Sus usos van desde la atención entrante —el caso de la recepcionista telefónica de un negocio, como se ve en cómo funciona— hasta llamadas salientes de confirmación de citas o encuestas. En entradas es donde más valor aporta a negocios locales: atiende 24/7, no comunica nunca y escala a varias llamadas simultáneas.
También se conoce como
- voicebot
- agente telefónico IA
- asistente de voz con IA
- voice agent
Preguntas sobre agente de voz ia
¿En qué se diferencia un agente de voz IA de un IVR?
El IVR ofrece un menú cerrado de opciones y el agente de voz entiende lenguaje natural: el llamante explica su caso con sus palabras y el agente responde y actúa. El IVR clasifica; el agente de voz conversa y resuelve.
¿Qué latencia necesita un agente de voz para sonar natural?
Por debajo de unos 800 milisegundos entre el final del turno del llamante y el inicio de la respuesta, la conversación se percibe como fluida. Latencias superiores a 1-2 segundos generan silencios incómodos y hacen que el llamante repita o cuelgue.
¿Un agente de voz IA puede transferir la llamada a una persona?
Sí: los agentes bien configurados detectan cuándo el caso excede su ámbito (una urgencia, una queja compleja) y transfieren la llamada a un número humano o toman el recado para que el negocio devuelva la llamada.
Términos relacionados
- Recepcionista IAUna recepcionista IA es un agente de voz con inteligencia artificial que atiende el teléfono de un negocio: entiende lo que dice el llamante, responde a sus preguntas, recoge sus datos y envía un resumen de la llamada. A diferencia de un contestador o un menú de opciones, conversa en lenguaje natural y funciona las 24 horas.
- LLM (modelo de lenguaje grande)Un LLM (large language model, modelo de lenguaje grande) es un modelo de inteligencia artificial entrenado con enormes cantidades de texto para comprender y generar lenguaje natural. Es la tecnología que permite a chatbots y agentes de voz entender preguntas abiertas y responder de forma coherente y contextual.
- IA conversacionalLa IA conversacional es la rama de la inteligencia artificial que permite a las máquinas mantener diálogos naturales con personas, por texto o por voz. Combina comprensión del lenguaje, gestión del contexto de la conversación y generación de respuestas, y es la base de los chatbots y agentes de voz modernos.
- Latencia de vozLa latencia de voz es el tiempo que transcurre entre que una persona termina de hablar y su interlocutor —humano o máquina— empieza a responder. En los agentes de voz con IA suma los tiempos de reconocimiento, generación y síntesis; por debajo de unos 800 milisegundos la conversación se percibe como natural.