Definición
WebRTC es un conjunto de estándares web y protocolos que permiten a navegadores y aplicaciones enviar audio, vídeo y datos en tiempo real directamente entre dispositivos. Se encarga del cifrado, del cruce de redes y del transporte de medios.
Lee la guía completa: WebRTC vs WebSocket para IA de voz en tiempo real
Cómo funciona WebRTC
WebRTC son dos conjuntos de especificaciones: una API de JavaScript del W3C y un grupo de protocolos del IETF de los que la RFC 8825 ofrece una visión general. Juntos permiten que una página capture un micrófono, establezca una conexión y envíe audio por ella.
Establecer una conexión requiere tres partes. La señalización es la forma en que los dos lados intercambian ofertas y respuestas, y WebRTC la deja en manos de la aplicación, de modo que cada aplicación usa su propio servidor. ICE encuentra una ruta de red entre los dos lados, incluso a través de routers domésticos y cortafuegos, usando servidores auxiliares llamados STUN y TURN cuando una ruta directa está bloqueada. Los medios fluyen luego por UDP, cifrados con DTLS y SRTP, y llevan audio codificado con Opus. La RFC 7874 exige que los extremos WebRTC admitan Opus y G.711.
Los navegadores añaden funciones que importan para la voz: cancelación de eco, supresión de ruido y control automático de ganancia, aplicados al micrófono antes de enviarlo. También se adaptan a la pérdida de paquetes y a la fluctuación sin que la aplicación haga nada.
Por qué importa para los agentes de voz
Un agente de voz llega a quienes llaman de dos maneras. Las llamadas telefónicas llegan por la PSTN y un troncal SIP, con audio de telefonía de banda estrecha. Las llamadas desde un sitio web o una aplicación móvil pueden usar WebRTC y conservar audio de banda ancha, lo que ayuda al reconocimiento y suena mejor.
La contrapartida es operativa. WebRTC funciona sobre UDP y se recupera de las pérdidas sin esperar, lo que conviene a una latencia baja, pero necesita señalización y a menudo servidores TURN, que cuestan dinero y añaden piezas móviles. Un WebSocket transporta audio sobre TCP, que es más sencillo de construir y puede detenerse cuando se pierden paquetes. La guía los compara en detalle.
Un agente de voz en una aplicación tampoco recibe un número de teléfono, así que el identificador de llamadas y el enrutamiento por número no se aplican. La aplicación identifica al usuario en su lugar.
Ejemplo
Una configuración ilustrativa: una página de soporte tiene un botón «Habla con nosotros». Al pulsarlo se pide permiso para el micrófono, se abre una conexión WebRTC con el servidor del agente y se transmite audio Opus de 48 kHz en ambos sentidos. El mismo agente atiende también el número de teléfono de la empresa por un troncal SIP a 8 kHz.