Latencia de un agente de voz: por qué el tiempo de respuesta importa al teléfono y de dónde viene

Un estudio de referencia es el de Tanya Stivers y sus colegas, publicado en PNAS en 2009. El equipo analizó grabaciones en vídeo de conversaciones informales en 10 idiomas repartidos por 5 continentes, centrándose en un momento comparable en todas partes: la respuesta a una pregunta cerrada, de sí o no. En todos los idiomas, los hablantes evitan solaparse y reducen el silencio entre turnos. En cada idioma, la respuesta más frecuente llega entre 0 y 200 milisegundos después del final de la pregunta, y el retraso medio en el conjunto de los datos es de 208 milisegundos.

Las diferencias entre idiomas son limitadas: la media de cada idioma se sitúa a unos 250 milisegundos, por encima o por debajo, de la media general. El estudio muestra también que, en todos los idiomas, las respuestas propiamente dichas llegan más rápido que las no respuestas, y que las confirmaciones llegan más rápido que las negaciones (una diferencia estadísticamente significativa en 7 de los 10 idiomas). Dicho de otro modo, un retraso no es neutro: en los datos, va de la mano de las no respuestas y de las respuestas negativas.

Dos límites que conviene tener presentes: estos datos se refieren a conversaciones cara a cara, no telefónicas, y el francés no figura entre los 10 idiomas estudiados. Por tanto, no fijan un objetivo numérico para una máquina; recuerdan el ritmo al que están acostumbradas las personas que le llaman.

Antes incluso de que un agente de voz piense, la voz tiene que viajar. La recomendación G.114 de la Unión Internacional de Telecomunicaciones (UIT), dedicada al tiempo de transmisión en un solo sentido, recomienda no superar los 400 milisegundos para la planificación general de las redes, aunque subraya que los intercambios muy interactivos, como muchas llamadas de voz, pueden verse afectados por retrasos mucho menores.

En el caso de un agente de voz, el sonido atraviesa la red telefónica, llega a unos servidores y vuelve: cada tramo añade tiempo. La documentación de ElevenLabs, empresa de síntesis de voz, lo indica: la latencia de extremo a extremo varía según la ubicación y el tipo de punto de acceso utilizado, y los tiempos de respuesta que publica difieren de una región del mundo a otra.

Un agente no puede responder mientras no haya decidido que la frase ha terminado. En Deepgram, proveedor de reconocimiento de voz, esta función se llama endpointing: un detector de actividad de voz vigila el flujo de audio y, por defecto, finaliza la transcripción tras 10 milisegundos de silencio, un ajuste que el desarrollador puede alargar. La API Realtime de OpenAI ofrece dos enfoques: un modo que divide el audio según los silencios, con una duración de silencio configurable, y un modo semántico que se basa en las palabras pronunciadas para juzgar si el usuario ha terminado, con un nivel de premura ajustable.

El compromiso es permanente. Un ajuste corto hace que el agente responda antes, con el riesgo de tomar la palabra mientras quien llama busca sus palabras o dicta un número de teléfono. Un ajuste largo evita esos cortes, pero cada respuesta empieza más tarde. El ajuste adecuado depende de las personas que le llaman.

El reconocimiento de voz no espera necesariamente al final de la frase. La documentación de Google Cloud describe un reconocimiento en streaming, pensado para el tiempo real, que puede devolver, si la opción está activada, resultados provisionales que se van afinando a medida que llega el audio.

Luego viene el modelo de lenguaje que formula la respuesta. La documentación de Anthropic recuerda que la latencia depende, entre otros factores, del tamaño del modelo, de la complejidad de la instrucción y de la infraestructura, y que una de las formas de medirla es el tiempo hasta el primer fragmento de respuesta. Sus palancas son sencillas: elegir el modelo adecuado, acortar la instrucción y la respuesta, y transmitir la respuesta a medida que se genera en lugar de esperar a que esté completa.

Por último, la síntesis de voz convierte el texto en voz. Los puntos de acceso en streaming devuelven el audio de forma progresiva, lo que reduce el retraso antes del primer sonido, y ElevenLabs precisa que los formatos de audio de mayor calidad pueden aumentar la latencia. El retraso que percibe quien llama depende, pues, sobre todo de la rapidez con la que cada etapa transmite un primer fragmento a la siguiente.

Mídala donde la percibe quien llama: entre el final de su frase y el primer sonido audible de la respuesta. Un método sencillo y verificable consiste en grabar sus llamadas de prueba, respetando las normas de información aplicables, y observar después la forma de onda en un programa de audio: el silencio se ve y se mide.

Varíe las situaciones: pregunta corta, pregunta larga, pausa en mitad de una frase, número dictado, pregunta fuera del ámbito del agente, llamada desde un móvil en un lugar ruidoso. Fíjese en los casos más lentos tanto como en los típicos: un silencio largo en el peor momento marca más que una media correcta.

Si un proveedor anuncia cifras, pregunte cómo se miden: en el servidor o en el oído de quien llama, con qué ajuste de fin de turno, y si comunica los casos más lentos o solo una media.

La velocidad es solo un criterio. Un agente que interrumpe o se inventa una respuesta para evitar un silencio puede perjudicar más la conversación que un retraso algo más largo.

Alyas atiende el teléfono las 24 horas a partir de la información que usted le proporciona; si no sabe algo, lo dice y propone transmitir la solicitud, y deja una transcripción y un resumen de cada llamada en su espacio Alyas. La prueba gratuita de 10 días, sin tarjeta bancaria, le permite realizar usted mismo las pruebas descritas más arriba.