Desarrollos propios Soluciones Webs InfinyAI School Cómo trabajamos Blog Noticias Contacto Ver web 3D
Análisis

Agente de voz para atender llamadas: qué cambia con la transcripción en tiempo real y cuánto cuesta

En una llamada, un silencio de dos segundos ya parece un fallo. Por eso los agentes de voz que atienden el teléfono sonaban lentos: esperaban a que el cliente terminara de hablar para empezar a entenderle. La transcripción en tiempo real ataca justo ese problema, y Microsoft acaba de lanzar una pieza con precio publicado que permite hacer números.

Qué ha lanzado Microsoft

Microsoft AI presentó el 1 de octubre MAI-Transcribe-2-Streaming, un modelo que pasa la voz a texto mientras la persona habla. Funciona en 60 idiomas, entre ellos el castellano, y detecta solo el idioma. Según Microsoft, da sus primeros resultados en algo más de 100 milisegundos y es el número 1 en precisión en Artificial Analysis, una web que compara modelos de IA.

Con él llegan dos voces para contestar: MAI-Voice-2.1, que habla 23 idiomas con la misma voz y acento nativo en cada uno, y MAI-Voice-2.1-Flash, pensada para mucho volumen y respuestas rápidas.

Los precios publicados son 0,54 dólares por hora de audio para la transcripción (precio de lanzamiento hasta final de año), 22 dólares por millón de caracteres para MAI-Voice-2.1 y 15 dólares para la versión Flash. Se usan en Microsoft Foundry, la plataforma de Microsoft para crear aplicaciones con IA. La transcripción está en vista previa pública, se sirve desde la región Sweden Central (Suecia) y Microsoft aún no la recomienda para producción.

Qué llamadas puede atender un agente de voz

Las que se repiten y tienen una respuesta clara:

  • Pedir, cambiar o anular una cita en una clínica, un taller o una peluquería.
  • Horarios, dirección y si hace falta pedir cita.
  • El estado de un pedido o de una reparación.
  • Tomar el recado y pasar la llamada a una persona cuando hace falta.

Lo delicado, como una queja o una urgencia, debe pasar a una persona en cuanto se detecte.

Cuánto costarían las piezas de voz

Una cuenta orientativa con los precios de Microsoft. Ejemplo hipotético, no un caso real: una pyme que recibe 300 llamadas al mes de 3 minutos cada una suma 15 horas de audio: 15 × 0,54 = 8,10 dólares al mes de transcripción. Si el agente dice unos 600 caracteres por llamada, son 180.000 caracteres al mes: unos 3,96 dólares con MAI-Voice-2.1 o 2,70 con la versión Flash.

Es decir, oír y hablar costarían entre unos 11 y 12 dólares al mes en ese ejemplo, según la voz. No es el coste total: faltan la línea telefónica, el modelo que razona la respuesta y la conexión con tu agenda o tu programa de gestión.

Antes de montarlo

  1. Pruébalo como lo que es, una vista previa, con llamadas de prueba antes de atender a clientes reales.
  2. Avisa de que es un asistente automático y ofrece siempre hablar con una persona.
  3. Empieza por una sola gestión, por ejemplo las citas, y mide cuántas resuelve sin ayuda.
  4. Cuidado con clonar voces. Las dos voces pueden copiar una voz con unos segundos de audio: usa solo voces propias o con permiso.

Más análisis