Agentes de voz en 2026: ¿qué cambia realmente?
Como Partner de IA y Product Management en Converteo, David Guede ,ayuda a las organizaciones a transformar su estrategia de producto en la era de la IA y del Data. En estrecha colaboración con él, Samuel Nespolo-Besson, Senior Manager en Converteo, codirige la oferta de transformación de los servicios de Atención al Cliente a través de IA basada en agentes y asesora a las empresas en la integración de soluciones conversacionales inteligentes (voicebots, chatbots) para optimizar sus customer journeys de forma sostenible.
- La voz no ha esperado a 2026 para ser buena. Ya en 2018, Google Duplex reservaba citas por teléfono con dudas y onomatopeyas asombrosas. Lo que faltaba no era calidad vocal, sino la inteligencia detrás de ella.
- Lo que ha cambiado es la capa intermedia, no los extremos. El verdadero salto tecnológico es la capacidad de los modelos para razonar, decidir, ejecutar funciones y orquestarse entre sí. Este “cerebro” es lo que por fin hace que la voz sea verdaderamente útil.
- Las piezas técnicas ya están maduras, pero la dificultad está en los detalles. El reconocimiento, la síntesis y la detección de emociones han alcanzado un nivel casi humano; los verdaderos retos hoy en día pasan por la interrupción, la latencia y el ruido de fondo.
En 2018, una demostración dejó boquiabierto al sector. Sobre el escenario, un asistente de Google llamó a una peluquería para reservar una cita en nombre de su usuario. Dudaba, intercalaba expresiones como “ehms” y “mms” en sus frases y negociaba la hora. En las oficinas, la gente dejaba de trabajar para escucharlo: creíamos estar ante un verdadero punto de inflexión. Los asistentes de voz iban a hacer nuestras llamadas por nosotros.
Y luego, (casi) no pasó nada.
Durante años, esta promesa se quedó en una simple demostración. La voz sintética ya era excelente, pero nadie hablaba realmente del tema en el mundo empresarial. Ha habido que esperar a 2026 para que el sector explote, las valoraciones de las empresas especializadas en voz se disparen y los primeros agentes de voz entren realmente en producción. Por tanto, la pregunta es inevitable: si la voz ya estaba ahí en 2018, ¿qué ha cambiado de verdad?
No ha mejorado la voz, sino lo que hay en medio
La respuesta se resume en una frase muy repetida a lo largo de nuestro evento: desde 2018, los extremos de la cadena (la comprensión del habla y su síntesis) no han sufrido ninguna revolución. Lo que ha cambiado es todo lo que hay en medio.
Y esa parte intermedia es la capacidad del sistema para razonar, tomar decisiones, buscar la información correcta, ejecutar funciones para actuar y ceder el control en el momento adecuado. Es este “cerebro” el que transforma una voz agradable en un interlocutor verdaderamente útil para el usuario. Y es precisamente esta capa la que ha dado un salto exponencial en los últimos meses.
Para entenderlo bien, hay que distinguir dos arquitecturas.
La arquitectura pipeline (STT → LLM → TTS)
El usuario habla, su voz se transcribe a texto (Speech-to-Text), este texto se envía a un modelo de lenguaje (LLM) capaz de razonar, utilizar herramientas, buscar información en una base de conocimientos y operar bajo guardrails de seguridad; finalmente, un módulo de síntesis (Text-to-Speech) lee la respuesta redactada en voz alta. Es la arquitectura tradicional, modular y más que probada.
La arquitectura duplex (voice-to-voice)
El usuario habla y un único modelo procesa directamente la entrada de voz. Este modelo razona, decide, ejecuta sus herramientas y responde sobre la marcha, sin pasar nunca por una transcripción a texto. La arquitectura se vuelve radicalmente más sencilla y la experiencia, mucho más natural.
La diferencia no es solo estética. En un pipeline STT/TTS, el paso por el texto consume tiempo y destruye toda la riqueza de la voz (las emociones, el ritmo, los matices). El voice-to-voice, en cambio, procesa el sonido directamente. Profundizaremos en esto más adelante.
IA de voz: el estado del arte
Si la “capa intermedia” lo ha cambiado todo, también es porque los componentes base han alcanzado un nivel de madurez impresionante. Desglosemos lo que la tecnología es capaz de hacer hoy en día a ambos lados de la conversación.
¿Sabe escuchar el agente de voz?
Actualmente, los modelos de reconocimiento de voz presentan una tasa de error de palabras (WER) de entre el 4 % y el 6 %. Para hacernos una idea, es más o menos el nivel de un traductor profesional. La transcripción ya no es el eslabón débil.
Segundo gran avance: por fin salimos del inglés. Durante mucho tiempo, la inmensa mayoría de las demostraciones se hacían en el idioma de Shakespeare. Hoy, los modelos cubren los idiomas europeos con un nivel de calidad mucho más aprovechable para nuestros mercados.
Por último, los modelos voice-to-voice saben hacer algo de lo que un sistema de transcripción es incapaz por diseño: detectar emociones. Un modelo que procesa la voz directamente percibe el estrés, la irritación o la duda; información que desaparece en cuanto convertimos el audio a texto.
¿Sabe hablar el agente de voz?
En cuanto a la síntesis, las voces se han vuelto casi indistinguibles de una voz humana. Hasta el punto de que esto plantea verdaderos debates éticos. Ahora los modelos saben reproducir dudas, susurros e incluso introducir respiraciones o ruidos de teclado que otorgan un realismo desconcertante a la interacción.
Por eso también el voice-to-voice marca un antes y un después: mientras que un flujo STT/TTS “aplana” la conversación al pasarla por texto, el procesamiento directo del sonido conserva la emoción y la naturalidad de principio a fin.
Retos y límites de la IA de voz
La tecnología está madura, pero no hace magia. Las batallas de hoy en día ya no se libran en la calidad de la voz, sino en la fluidez del intercambio. Estos son los conceptos clave que hay que dominar.
VAD (Voice Activity Detection)
Literalmente, la detección de actividad de voz: en qué momento el sistema debe considerar que el usuario está hablando y ponerse a escuchar. Parece trivial. Salvo que en el metro hay que distinguir tu voz de la del pasajero de al lado. ¿Y qué pasa cuando hablas con un agente de voz con la televisión encendida de fondo? El VAD es todo el arte de “limpiar el ruido”: aislar la voz de la persona correcta para transmitir solo esa señal al modelo.
Las palabras muy cortas
Un “sí” o un “claro” son tan breves que el sistema necesita una verdadera precisión para reconocer que se trata de una intervención real del usuario, y no de una simple perturbación sonora. Un reto bastante subestimado.
El barge-in (la interrupción)
Probablemente sea la función menos espectacular, pero sí una de las más determinantes. Durante mucho tiempo, no se podía interrumpir a un bot: había que dejarle soltar todo su discurso hasta el final. Cualquiera que haya recibido una llamada comercial lo sabe: no poder cortar a un bot es un infierno. A la inversa, un bot que se calla porque pasas por un sitio ruidoso es igual de molesto. Saber interrumpir y ser interrumpido en el momento exacto se ha convertido en un claro indicador de calidad.
La latencia
El tiempo entre el final de tu frase y el inicio de la respuesta. Aquí es donde la arquitectura juega el papel principal: un flujo STT/TTS introduce fácilmente casi 3 segundos de espera, mientras que el voice-to-voice baja a en torno a un segundo, o incluso menos. Es la diferencia entre una conversación fluida y un intercambio lento y frustrante.
La orquestación
El último eslabón, y quizá el más estratégico. Un agente de voz de alto rendimiento casi nunca es un modelo único, sino un conjunto de agentes especializados que se van pasando el testigo según el contexto; y que saben derivar la consulta a un humano cuando es necesario. La regla de oro lo resume todo: vale más un agente con un modelo promedio pero bien orquestado, que un agente equipado con el mejor modelo del mundo pero mal orquestado.
Queda entonces la verdadera pregunta, la que ahora se hacen las marcas: ¿cómo construir un agente de voz que sea sostenible en el tiempo, que no falle, que siga siendo fluido y, además, rentable? Ese es el gran reto de la puesta en producción.
