Agente de voz
Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.
También llamado: voice AI agent
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Los agentes de voz atienden líneas de soporte, reservan citas, cualifican contactos comerciales y funcionan como asistentes manos libres. Se les juzga menos por lo que saben que por lo natural que resulta la conversación: respuestas rápidas, no pisar al interlocutor y recuperarse bien cuando les interrumpen.
Cómo funciona
El diseño habitual es una cadena de tres modelos. El speech-to-text convierte el audio de quien llama en palabras, un modelo de lenguaje decide la respuesta y llama a las herramientas necesarias, y el text-to-speech pronuncia la respuesta. Cada etapa funciona en streaming, así que la voz puede empezar antes de que se haya escrito la respuesta completa. El diseño más reciente usa un único modelo speech-to-speech que recibe audio y devuelve audio, lo que puede reducir el retraso y conservar el tono de voz, a costa de menos control sobre cada paso.
En torno a los modelos están las partes difíciles: la detección de turnos para saber cuándo ha terminado de hablar quien llama, la gestión del barge-in cuando interrumpe, la telefonía y las llamadas a herramientas como calendarios o CRM. Frameworks como LiveKit Agents y plataformas como Vapi y Retell AI empaquetan estas piezas.
Por qué importa la latencia
La gente nota las pausas en el habla mucho más que en el texto. Cada etapa añade retraso, así que los desarrolladores siguen el tiempo hasta el primer token del modelo y el tiempo hasta el primer audio de la voz.
Límites
El ruido de fondo, los acentos y las conversaciones cruzadas causan errores de transcripción que hereda el resto de la cadena. En muchos lugares hay normas sobre informar de que quien llama está hablando con una IA y sobre la grabación de llamadas; consulta la ley donde operes.
Términos relacionados
- Modelo speech-to-speech
- Un modelo speech-to-speech (de voz a voz) recibe audio hablado y produce audio hablado directamente, sin convertir antes la voz en texto y de vuelta. Se usa para conversación por voz en directo y para traducción.
- Text-to-speech
- El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.
- Speech-to-text
- El speech-to-text (voz a texto), también llamado reconocimiento automático del habla (ASR), es software que convierte audio hablado en texto escrito. Está detrás de la transcripción, los subtítulos, los comandos de voz y la parte que escucha en los agentes de voz.
- Agente de IA
- Un agente de IA es un sistema en el que un modelo de lenguaje decide sus propios pasos siguientes: llama a herramientas, lee los resultados y repite hasta terminar la tarea, en lugar de seguir un guion fijo.
- Tiempo hasta el primer token
- El tiempo hasta el primer token (TTFT, time to first token) es lo que espera un usuario entre enviar una petición a un modelo de lenguaje y recibir el primer token de su respuesta, e incluye la cola, el procesamiento del prompt y el tiempo de red.
- Clonación de voz
- La clonación de voz (voice cloning) es el uso de IA para que un sistema de text-to-speech hable con la voz de una persona concreta, aprendida a partir de una grabación de esa persona. Algunos sistemas solo necesitan una muestra corta.