Un agente de voz es un sistema en tiempo real, no un chatbot con micrófono

En un chat de texto, un agente que tarda cuatro segundos en responder parece lento. En una llamada telefónica, cuatro segundos de silencio suenan a línea cortada, y quien llama vuelve a hablar justo cuando el agente empieza a responder. Ahora ambos hablan, el agente tiene que decidir si le interrumpieron y la transcripción con la que trabaja ya está desactualizada.

Por eso los agentes de voz son un problema de ingeniería distinto al de los agentes de texto, y dos lanzamientos en dos días muestran las dos formas en que los proveedores lo están resolviendo.

Dos arquitecturas para la misma restricción

Voxtral 3 de Mistral, publicado el 20 de octubre, es un conjunto de componentes. Incluye modelos de transcripción (Voxtral Small Transcribe 3 para precisión, Mini Transcribe 3 para eficiencia, ambos con más de 50 idiomas y diarización de hablantes), un modelo de streaming, Voxtral Mini Transcribe Realtime 3, con detección de fin de turno y latencia configurable desde 80 milisegundos hasta 2,4 segundos, y un modelo de texto a voz con control sobre emoción, ritmo y énfasis. La documentación de Mistral incluye el modelo realtime en public preview.

Sobre eso se apoya un SDK de agente de voz construido sobre LiveKit que ejecuta entrada de voz, razonamiento, tool calls y salida de voz como un único pipeline de streaming, sobre telefonía SIP o WebRTC. El agente deja de hablar cuando la persona que llama lo interrumpe, y la predicción de fin de turno combina señales acústicas y semánticas para reducir cortes falsos. Cada etapa es un modelo separado, así que el modelo de lenguaje, la voz o el idioma se pueden cambiar sin reescribir el agente. El precio se publica por minuto: $0,008 por transcripción realtime, $0,04 por la API completa de agente de voz con Mistral Small 4, $0,08 con un modelo más grande. Mistral ofrece una API alojada en la UE además de endpoints en EE. UU. y globales, y autodespliegue a través de su equipo de ventas.

Harmony de monday.com, lanzado el 19 de octubre, es un producto. Gestiona llamadas de ventas desde la prospección hasta el cierre para clientes mid-market y enterprise en EE. UU., Reino Unido, Australia y Singapur; no se ofrece en España ni en Latinoamérica. En lugar de un modelo grande, ejecuta modelos propios pequeños, cada uno para una tarea (cualificar un lead, capturar datos, manejar una objeción), coordinados por un motor predictivo en tiempo real, con telefonía construida sobre Twilio. monday.com reporta unos 200 milisegundos de audio de entrada a audio de salida, traspasos en caliente a comerciales humanos con un briefing y escritura de vuelta en los principales CRM. La tecnología de voz procede de su adquisición de OneAI.

Cifras de latencia de los proveedores en una misma escala

0 ms1 segundo

1. 80 msMenor retardo configurable, transcripción de Voxtral Realtime 3
2. Unos 200 msHarmony, de audio de entrada a audio de salida
3. Menos de 500 msTranscripción realtime de Voxtral
4. Menos de 1 sSDK de Voxtral, turno completo del agente

Qué impone el presupuesto de latencia

Las herramientas tienen que ser rápidas, o el agente tiene que hablar mientras espera. Una consulta al CRM que tarda dos segundos está bien para un agente de texto y es fatal en una llamada. Los agentes de voz necesitan tool calls diseñados para el presupuesto: contexto precalculado, datos de cuenta en caché o una frase de espera hablada mientras responde un sistema más lento.

Los modelos pequeños especializados tienen sentido aquí. El diseño de Harmony es el mismo argumento que los modelos de decisión en la ruta crítica del agente, llevado al tiempo real: si la mayoría de los pasos de una conversación son decisiones acotadas, un modelo frontera en cada paso es demasiado lento antes de ser demasiado caro.

Modular frente a empaquetado es una decisión de construir o comprar. Los componentes de Mistral permiten que una empresa mantenga el control de cada etapa, elija dónde se procesa el audio y reemplace piezas cuando aparezcan mejores, a cambio de montar y operar el pipeline. Harmony entrega a un equipo de ventas un sistema que funciona con integración de CRM, a cambio de ejecutarse sobre la infraestructura de monday.com y sus decisiones. Ninguno es mejor en general; las preguntas que deciden son quién debe ser dueño del audio y quién operará el sistema a las 2 a.m.

Los controles que necesita una llamada que un chat no necesita

Consentimiento y transparencia. En España, la Ley 11/2022, General de Telecomunicaciones, artículo 66, reconoce a los usuarios el derecho a no recibir llamadas comerciales no deseadas salvo que exista consentimiento previo u otra base jurídica del RGPD; los datos biométricos usados para identificar a una persona son una categoría especial según el RGPD, artículo 9; cada país de Latinoamérica tiene sus propias normas de telemarketing y protección de datos.

El audio como dato. Una grabación es un dato personal y pasa a ser dato biométrico cuando se derivan huellas de voz. Decida la retención antes del go-live; Mistral dice que la retención de audio se puede controlar, que es la pregunta que hay que hacer a todo proveedor.

El traspaso como ruta diseñada. Bright Car Finance, la prestamista británica que cita monday.com, dice que el agente hace seguimiento con cada solicitante aprobado de inmediato, cualifica alrededor de la mitad de sus conversaciones y transfiere el 80% de esas a asesores en vivo, y reporta un aumento del 9% en operaciones cerradas en menos de un año. Las cifras son del cliente, no están auditadas, y describen un agente cuyo trabajo principal es llegar a una persona más rápido, no reemplazarla. Es un buen punto de partida: medir el traspaso, no solo la tasa de automatización.