Agentes de voz
Sistemas de IA que cumplen tareas conversando por voz: escuchan con reconocimiento de voz, razonan con un modelo de lenguaje y responden con síntesis de voz, gestionando turnos, interrupciones y latencia. Operan en llamadas telefónicas, webs y apps para citas, recepción y soporte.
Un agente de voz es un sistema de IA que cumple tareas conversando por voz: escucha, razona y responde hablando, gestionando turnos, interrupciones y tiempos de espera. Vive en llamadas telefónicas, webs y apps, y se diseña para un trabajo concreto: agendar citas, recibir clientes o resolver soporte.
Actualizado: 12 de septiembre de 2026.
Hablar con una máquina dejó de significar pulsar botones. La documentación de ElevenLabs sobre agentes conversacionales (consultada el 12 de septiembre de 2026) describe la arquitectura que hoy es estándar: un modelo de reconocimiento de voz que transcribe, un modelo de lenguaje a elección que decide, un modelo de síntesis de voz de baja latencia que responde, y un modelo de turnos que gobierna el ritmo de la conversación. Cuatro piezas coordinadas, no una sola magia.
Lo que lo hace distinto del chatbot
El chatbot escribe; el agente de voz improvisa en tiempo real con todo lo que eso implica. Tiene que detectar cuándo terminaste de hablar, interrumpir sin ser grosero, recuperarse del ruido de la calle y responder antes de que el silencio se vuelva incómodo. Por eso la latencia es una métrica de calidad, no un detalle técnico: cada medio segundo de más erosiona la confianza. Y por eso la IA conversacional de voz necesita controles que el texto perdona: qué hace ante una interrupción, cuánto espera antes de repreguntar y cuándo admite que debe pasar la llamada a una persona.
Las piezas, en orden
Primero el oído: el reconocimiento de voz (STT) convierte el audio en texto, incluso con acentos y ruido moderado. Después el cerebro: un agente de IA que consulta la base de conocimiento (documentos con RAG), llama herramientas (agenda, CRM, pasarela de pagos) y decide la respuesta. Después la voz: la síntesis la pronuncia, a veces con clonación de voz autorizada para sonar como la marca. Y alrededor de todo, el director de orquesta: el control de flujo que configura turnos, interrupciones y tiempos muertos.
Ejemplo ilustrativo
Imagina la recepción de una clínica dental con cuarenta llamadas diarias para pedir cita. El agente atiende, entiende fecha y tratamiento, consulta la agenda real por API, propone dos huecos, confirma por SMS y deriva a una persona solo los casos con dolor agudo o seguros inusuales. Lo que cambia no es la amabilidad: es que cada llamada queda registrada, medida y atendida en segundos, también fuera de horario. Es un caso típico del sector, no un experimento medido por esta redacción.
Dónde encaja y dónde no
Encaja donde el teléfono sigue siendo el canal: citas, recepción, cobranza temprana, soporte de primer nivel y encuestas post-servicio. No encaja donde la decisión exige criterio humano, datos sensibles sin autorización explícita o conversaciones que nadie quiere tener con una máquina. La regla es la misma que en cualquier automatización: define el perímetro, conecta fuentes verificadas, prueba con tráfico real y publica las métricas. Un agente de voz sin evaluación continua es un conmutador caro; con ella, es el empleado que nunca duerme y siempre avisa cuando no sabe.
Preguntas frecuentes
- ¿Qué es un agente de voz?
- Es un sistema de IA que realiza tareas mediante diálogo hablado: transcribe lo que escucha, decide con un modelo de lenguaje y responde con voz sintetizada. A diferencia de un menú telefónico de botones, entiende lenguaje libre y puede consultar datos o ejecutar acciones con herramientas.
- ¿Cómo funciona un agente de voz por dentro?
- Coordina cuatro piezas: un modelo de reconocimiento de voz (STT) que transcribe el audio, un LLM que razona y decide, un modelo de síntesis de voz (TTS) de baja latencia que responde, y un mecanismo de turnos que gestiona cuándo hablar, cuándo callar y cómo manejar interrupciones. Sobre esa base se añaden base de conocimiento con RAG, herramientas y pruebas de calidad.
- ¿Cuál es la diferencia entre un agente de voz y un asistente como Siri?
- El asistente general vive en el dispositivo y resuelve peticiones abiertas del usuario. El agente de voz se diseña para una tarea de una organización (agendar, calificar, dar soporte) con guiones, permisos, fuentes y métricas propias, y se despliega en sus canales: telefonía, web o app.
- ¿Qué se necesita para que un agente de voz no sea un desastre?
- Audio limpio y límites claros: definir qué puede resolver solo y cuándo deriva a una persona, conectar fuentes verificadas en vez de dejarlo improvisar, probar interrupciones y ruido antes de salir a producción, y medir resolución, latencia, derivaciones correctas y satisfacción desde la primera semana.