Síntesis de voz: entender la voz sintética y usarla bien al teléfono

La síntesis de voz designa el conjunto de técnicas que producen habla a partir de texto. El proceso se divide en etapas que la especificación SSML del W3C, un lenguaje estándar de marcado para la síntesis del habla, describe con claridad: analizar la estructura del texto, normalizarlo (escribir «12:30» o «Dr.» con todas sus letras), convertir las palabras en fonemas, calcular la prosodia, es decir, la entonación y el ritmo, y después producir la señal sonora.

Cada etapa puede fallar. La normalización debe saber si «1/2» se lee «un medio» o «uno de cada dos»; la conversión en fonemas debe conocer la pronunciación del nombre de una calle o de una marca; la prosodia debe distinguir una pregunta de una afirmación. Ese es precisamente el objeto de SSML: permitir indicar al motor de síntesis una pronunciación, una pausa, un volumen o una velocidad.

Los primeros enfoques ensamblaban fragmentos de voz grabada, lo que producía transiciones audibles entre los trozos. Después, los métodos paramétricos modelaron la voz mediante parámetros acústicos, con un sonido más homogéneo pero más mecánico. Las voces neuronales actuales aprenden a producir la señal a partir de grandes cantidades de grabaciones y ofrecen una entonación mucho más natural.

Este avance tiene una contrapartida: una voz muy natural puede hacer olvidar al interlocutor que habla con una máquina. Es precisamente lo que la normativa europea pretende evitar, y también es una cuestión de confianza para su empresa: un cliente que descubre a posteriori que hablaba con una IA puede sentirse engañado.

Al teléfono, el oído solo dispone de un sonido comprimido y, a veces, degradado. Una voz agradable en una demostración con un buen altavoz puede volverse molesta en una línea móvil. Los criterios que cuentan son, por tanto, la inteligibilidad, una velocidad moderada, pausas en los lugares adecuados y una articulación nítida de las cifras, porque un número de teléfono o una hora de cita mal entendidos anulan el interés de la llamada.

Pruebe la voz con sus propios contenidos: el nombre de su empresa, los de sus colaboradores, sus direcciones, sus tarifas, los términos técnicos de su oficio. Escuche también la latencia, es decir, el tiempo que transcurre entre el final de la frase de quien llama y el inicio de la respuesta: una voz perfecta que responde tras un largo silencio da la impresión de que la línea se ha cortado.

El artículo 50 del reglamento europeo de inteligencia artificial se aplica desde el 2 de agosto de 2026. Según la Comisión Europea, los proveedores de sistemas de IA destinados a interactuar directamente con personas, como los agentes conversacionales, deben garantizar que estas sean informadas, a más tardar en la primera interacción, de que están interactuando con una IA, salvo que resulte evidente para una persona razonablemente informada.

El mismo artículo obliga a los proveedores a marcar los contenidos de audio generados por una IA de forma detectable por una máquina. Según la Comisión, se prevé un periodo de gracia hasta el 2 de diciembre de 2026, solo para esta obligación de marcado, en beneficio de los sistemas introducidos en el mercado antes del 2 de agosto de 2026. Las ultrasuplantaciones (deepfakes), que imitan por ejemplo la voz de una persona real, deben señalarse como tales. Para un uso telefónico, la regla práctica es sencilla: anunciar desde los primeros segundos que el interlocutor es una IA.

La CNIL, la autoridad francesa de protección de datos, recuerda en su libro blanco sobre los asistentes de voz que la voz es una característica biométrica que puede permitir identificar a una persona. Clonar la voz de un colaborador para convertirla en la voz de su centralita no es, por tanto, un gesto anodino: conviene hacer verificar el marco jurídico aplicable, obtener su consentimiento y prever qué ocurrirá si deja la empresa.

Una voz sintética genérica, presentada claramente como tal, evita estas dificultades. Además, tiene la ventaja de no crear ambigüedad en quien llama, que no creerá estar hablando con una persona concreta de su equipo.

Alyas utiliza la síntesis de voz para atender el teléfono las 24 horas a partir de la información que usted le proporciona, y anuncia desde el inicio de la llamada que se trata de una IA y que la conversación se graba. Cada llamada da lugar a una transcripción y a un resumen que puede consultar en su área de cliente, lo que permite detectar los momentos en que quien llamaba no entendió bien o pidió que se le repitiera algo. La prueba gratuita de diez días le permite escucharlo con sus propias llamadas.