Los asistentes controlados por voz fueron durante mucho tiempo un tema para corporaciones con su propio presupuesto de investigación.Eso está cambiando justo en el lado del precio: Google Deepmind ha presentado con Gemini 3.8 Live y Gemini 3.8 Live Extended Thinking dos modelos de audio para desarrolladoras y desarrolladores.La variante con Extended Thinking lidera, según la firma de análisis Artificial Analysis, la clasificación de speech-to-speech — es decir, la lista de aquellos modelos que traducen entradas habladas directamente en respuestas habladas, sin el rodeo de un paso intermedio de texto separado.

En cuanto al precio, Google indica 1,38 dólares por hora de conversación de voz.Calculado, eso son algo más de dos centavos por minuto de conversación.Con ello, la oferta se sitúa claramente por debajo de GPT-Live-1 de OpenAI.Su fortaleza está en otro lugar: el funcionamiento full-duplex, en el que modelo y persona pueden hablar simultáneamente e interrumpirse mutuamente, probablemente permita conversaciones más naturales.

Por qué el precio cambia la discusión

Una llamada telefónica con una consulta de soporte rara vez dura más de unos minutos.Con costes en el rango bajo de céntimos por minuto, la pregunta se desplaza de «¿Podemos permitírnoslo?» a «¿Dónde aporta realmente algo?».Eso es otro tipo de proyecto: ya no un proyecto emblemático con su propio business case, sino un componente que puede integrarse en procesos existentes — concertación de citas, información sobre el estado de un pedido, precalificación de consultas fuera del horario de oficina.

Sigue siendo importante la distinción entre costes del modelo y costes totales.El minuto de conversación es solo una partida.A ello se suman la conexión telefónica, el hosting, el monitoreo, el mantenimiento de la base de conocimiento y — a menudo subestimado — el esfuerzo para pruebas y ajustes.Un modelo barato no hace automáticamente barato un proyecto, pero reduce el umbral para empezar siquiera.

La latencia es la verdadera característica de calidad

En los chats de texto se perdona un segundo de retraso.Por teléfono no.Las personas interpretan las pausas como inseguridad, desinterés o como señal para seguir hablando uno mismo.Las arquitecturas speech-to-speech atacan precisamente aquí: quien primero convierte el habla en texto, lo envía a través de un modelo de lenguaje y después vuelve a poner voz al resultado, acumula retraso en cada estación.La vía directa de audio a audio ahorra estas etapas.

La capacidad full-duplex pertenece a la misma categoría.Una conversación en la que no se puede interrumpir al interlocutor parece un menú de voz con mejor voz.Quien planifica con agentes de voz debería, por tanto, seleccionar modelos no solo por su posición en el benchmark, sino probarlos en el propio caso de uso: con ruidos de fondo reales, con dialecto, con personas que cambian de opinión a mitad de frase.

La conducción de la conversación es trabajo de concepto, no una cuestión de modelo

Un buen modelo no mantiene una buena conversación.Solo proporciona la capacidad lingüística.Qué se dice, cuándo se pregunta y cuándo se transfiere a una persona es trabajo de concepto.En ello, algunos puntos han demostrado ser sólidos:

  • Ámbito de competencia claro: Un agente que solo concierta citas, pero de forma fiable, es más valioso que uno que lo hace todo a medias.
  • Salidas definidas: Se necesitan reglas sobre cuándo se transfiere la conversación a empleados — en caso de reclamaciones, ante malentendidos repetidos, a petición de la persona que llama.
  • Pasos de confirmación en acciones vinculantes: Antes de reservar definitivamente una cita o modificar un pedido, el agente debería resumir y volver a preguntar.
  • Transparencia: Quienes llaman deberían saber que hablan con un sistema.Eso no es solo una cuestión legal, sino también de expectativas.

Integración en sistemas web y CMS existentes

La parte técnicamente más interesante rara vez está en el modelo de lenguaje, sino en las interfaces.Un agente de voz es tan bueno como los datos a los que puede acceder.Para informaciones sobre horarios de apertura, productos o servicios, a menudo ese es el contenido existente en el CMS — en TYPO3, por ejemplo, estructurado mediante páginas, elementos de contenido y registros propios.

De ello se deriva un requisito que, por lo demás, mejora muchos proyectos: los contenidos deben ser accesibles de forma automática e inequívocos.Donde los horarios de apertura aparecen en tres variantes en tres páginas, un agente encontrará de forma fiable la incorrecta.Una fuente de verdad limpia, registros modelados de forma sensata y una API que refleje el estado de la redacción son el verdadero trabajo previo.

Para acciones — crear una cita, consultar el estado de un pedido, anotar una devolución de llamada — se necesitan llamadas a funciones definidas contra los sistemas especializados, con verificación de permisos y registro.Y se necesita una respuesta a la pregunta de qué ocurre cuando el sistema de destino no está disponible en ese momento.Un agente que en ese caso promete amablemente una devolución de llamada es mejor que uno que inventa una reserva.

Protección de datos y registro

Los datos de voz son datos personales, a menudo claramente más sensibles que las entradas de formularios.Antes del inicio deben aclararse tres cuestiones: dónde se procesan los datos de audio, cuánto tiempo se conservan las grabaciones y transcripciones, y quién en la empresa puede consultarlas.Para el aseguramiento de la calidad se necesitan registros de conversaciones — para la protección de datos se necesitan plazos de eliminación.Ambas cosas pueden conciliarse, pero no improvisarse a posteriori.

Un inicio realista

Lo sensato es un piloto de alcance reducido: un caso de uso, un grupo objetivo, un criterio medible.Por ejemplo, la concertación de citas fuera del horario de servicio, medida por el número de reservas completadas con éxito y la tasa de transferencia a empleados.

De estas cifras se puede deducir de forma seria si merece la pena una ampliación — y qué situaciones de conversación aún no domina el modelo.

Para proyectos web y de software, la evolución significa sobre todo una cosa: el lenguaje se convierte en un canal más sobre los mismos contenidos y datos especializados, no en un producto separado. Quien estructura sus contenidos de forma limpia en el CMS y hace accesibles sus sistemas especializados mediante interfaces robustas, podrá añadir agentes de voz más adelante sin necesidad de reestructurar. Y dado que los modelos y los precios se mueven de forma visiblemente rápida, la conexión debería permanecer intercambiable — la inversión está en la calidad de los datos y en el concepto de conversación, no en el modelo de cada trimestre.

Fuentes