Definición
El barge-in es cuando quien llama habla mientras el agente sigue hablando. El término también nombra la capacidad que permite al sistema aceptar esa voz y detener el mensaje del agente, en lugar de hacer esperar a la persona.
Cómo funciona el barge-in
El término viene de los sistemas de menús telefónicos. VoiceXML 2.0, el estándar del W3C para esos sistemas, da a cada mensaje un atributo bargein. Cuando es verdadero, el usuario puede interrumpir el mensaje. Cuando es falso, debe esperar a que termine.
El mismo estándar define cómo se detecta la interrupción, mediante bargeintype. Con speech, el mensaje se detiene en cuanto se detecta voz o un tono del teclado, sea lo que sea que se dijo. Con hotword, el mensaje sigue sonando hasta que la entrada coincide con una gramática que el sistema espera, y lo demás se ignora. La opción hotword existe porque el ruido, la tos y las conversaciones de fondo cortarían los mensajes en otro caso.
Un agente de voz moderno tiene que tomar la misma decisión, con un reconocedor en flujo continuo y un LLM en lugar de una gramática. Debe escuchar mientras habla, lo que supone separar la voz de quien llama del propio audio que le vuelve por la línea como eco. Después debe decidir si el sonido es una interrupción real o algo que ignorar, como «mm-hm». Ese último caso es el backchanneling.
Detectar el barge-in es solo la primera mitad. Actuar sobre él es la gestión de interrupciones: el agente detiene su voz, lleva la cuenta de lo que quien llama llegó a oír y responde a lo que dijo.
Por qué importa para los agentes de voz
Quienes llaman interrumpen constantemente. Corrigen una fecha, dicen «sí, es correcto» antes de que termine una lectura de confirmación, o piden hablar con una persona a mitad de un menú. Un agente que no se puede interrumpir los obliga a escuchar la frase entera, y eso suena a máquina.
En la práctica fallan dos cosas. Un agente demasiado sensible se detiene por un portazo o por un televisor de fondo y deja la palabra a medias. Un agente demasiado lento sigue hablando un segundo después de que quien llama haya empezado, y los dos hablan a la vez.
Algunos contenidos no deberían poder interrumpirse. Una divulgación obligatoria o la lectura de un importe de pago se reproducen a menudo con el barge-in desactivado, para que quien llama oiga todo antes de que el agente acepte una pregunta.
El barge-in es un comportamiento de quien llama. La forma en que responde el sistema tiene su propio nombre, y conviene probar ambos por separado.
Ejemplo
Una llamada ilustrativa:
- Agente: «Su cita es el jueves 8 de octubre a las dos y media, con la doctora…»
- Quien llama: «En realidad, pásela al viernes.» (empieza a hablar en «con»)
La voz de quien llama es el barge-in. Que el agente se detenga en una fracción de segundo, olvide la fecha anterior y atienda «viernes» es gestión de interrupciones.
Términos relacionados
Guías
- Detección de actividad de voz: VAD para agentes de voz
- Diseño de IA conversacional para agentes de voz