Elegir una voz para el agente de voz de tu marca no es como elegir una tipografía. Una tipografía se queda en la página esperando a que la lean. Una voz habla con tus clientes, resuelve sus problemas y representa a tu empresa en tiempo real, a menudo cuando el cliente está frustrado, tiene prisa o llama desde una calle ruidosa.
La mayoría de los equipos elige una voz escuchando unas cuantas demos y quedándose con la que «suena profesional». Ese enfoque funciona hasta que la voz pronuncia mal el nombre de la empresa en una llamada en directo, o suena alegre mientras le comunica a un cliente que su reclamación ha sido denegada. Esta guía explica cómo elegir una voz que de verdad encaje con tu marca, tu caso de uso y las condiciones en las que llaman tus clientes.
Empieza por el caso de uso, no por el catálogo de voces
El error más común es recorrer una biblioteca de voces antes de definir lo que la voz tiene que hacer. Una voz que funciona para una app de meditación fallará en una llamada de cobros. Una voz que suena autoritaria en una demo de sala de juntas puede sonar robótica por una línea telefónica de 8 kHz.
Antes de escuchar una sola voz, responde a estas preguntas:
- ¿Qué intenta conseguir quien llama? Alguien que consulta el estado de un pedido quiere eficiencia. Alguien que disputa un cargo quiere empatía. La voz debe ajustarse al registro emocional de la interacción, no al tono general de marketing de la marca.
- ¿Dónde está quien llama? Las llamadas desde coches, oficinas y cocinas tienen ruido de fondo. La voz tiene que ser inteligible a 8 kHz por PSTN, no solo en una grabación de estudio.
- ¿Qué pasa cuando algo sale mal? La voz tiene que gestionar disculpas, correcciones y escalados sin sonar fuera de lugar. Una voz que solo sabe sonar animada es un lastre cuando la conversación se pone seria.
Las tres características que importan
1. Inteligibilidad
¿Puede quien llama entender lo que dice la voz? Parece obvio, pero la inteligibilidad se rompe en puntos concretos y predecibles:
- Números y códigos. «Tu código de confirmación es 8-4-2-1-J» tiene que ser inequívoco. Algunas voces juntan los dígitos o leen «1.200 $» como «doce cientos de dólares» cuando quien llama espera «mil doscientos».
- Nombres y términos del dominio. Si tu producto se llama «Sonic» y la voz dice «Sah-nik», tienes un problema. Prueba con los nombres reales de tus productos, los nombres de tus clientes y el vocabulario de tu sector.
- Habla con acento. Si tu base de llamadas incluye hablantes no nativos de inglés o acentos regionales, la voz tiene que ser inteligible para ellos, y tu modelo de voz a texto tiene que entenderlos a ellos. Son problemas relacionados, pero distintos.
Sonic lee bien por sí solo las formas escritas habituales: precios, fechas, números de teléfono y direcciones. Para nombres de producto o términos que el modelo pronuncia mal, un diccionario de pronunciación lo corrige una vez, en lugar de exigir ingeniería de prompts en cada llamada.
2. Registro emocional
Toda voz tiene un registro emocional por defecto: un tono base que tiñe todo lo que dice. Algunas voces suenan cálidas y tranquilizadoras. Otras suenan secas y eficientes. Ninguna está mal; la cuestión es si el registro encaja con la interacción.
Algunos ejemplos de nuestra biblioteca de voces:
| Caso de uso | Registro | Por qué |
|---|---|---|
| Atención al cliente | Calmada, pausada | Quien llama suele estar frustrado. Una voz calmada reduce la tensión. |
| Ventas salientes | Cálida, enérgica | Quien llama no pidió esta llamada. La energía lo mantiene en la línea. |
| Cobros / cumplimiento | Clara, firme | Los avisos legales necesitan autoridad. La calidez debilita el mensaje. |
| Citas de salud | Estable, tranquilizadora | Quien llama puede estar ansioso. La voz debería reducir el estrés, no aumentarlo. |
El modelo Sonic de Cartesia va más lejos que la mayoría de los sistemas de TTS: ajusta su entrega emocional según el texto que lee. Si el LLM genera una respuesta empática, Sonic suena empático. Si el texto es una negativa firme, Sonic suena firme. Esto significa que el diseño de la voz va unido a la generación del LLM: la voz sigue al contenido, no a una configuración estática.
3. Latencia
Una voz que tarda dos segundos en empezar a hablar después de que quien llama termine su turno parece rota, por muy bien que suene. En conversación, la gente espera una respuesta en unos 200 milisegundos. Por encima de un segundo, quien llama empieza a repetirse o a hablar por encima del agente.
La latencia es una propiedad del modelo de TTS, no de la voz en sí. Pero limita qué voces puedes usar. Una voz que necesita un procesamiento pesado para sonar natural puede no servir en un agente de voz en tiempo real, aunque suene perfecta en una demo.
Voces del catálogo frente a voces clonadas
La mayoría de las marcas debería empezar con una voz del catálogo (stock voice). Las voces del catálogo están predefinidas, probadas y disponibles de inmediato. La biblioteca de voces de Cartesia incluye voces diseñadas para casos de uso concretos: atención al cliente, ventas, citas y más.
La clonación de voz tiene sentido en dos situaciones:
- Continuidad de marca. Si tu empresa ya tiene una voz reconocida —un portavoz, un presentador de pódcast, un CEO que hace las llamadas de resultados— clonar esa voz mantiene la coherencia entre canales.
- Diferenciación. Si todos tus competidores usan las mismas tres voces del catálogo, una voz clonada te diferencia.
Cartesia ofrece dos opciones de clonación: clonación de voz instantánea a partir de 5 segundos de audio, y clonación de voz profesional a partir de más de 30 minutos para mayor fidelidad. La clonación instantánea es rápida y funciona bien para prototipar. La clonación profesional capta más matices y es mejor para producción.
Un marco para elegir
Este es el proceso que recomendamos:
Paso 1: Define el caso de uso. Anota las tres tareas principales que gestiona el agente de voz. Para cada una, apunta el registro emocional, el vocabulario que tiene que manejar y las consecuencias de un malentendido.
Paso 2: Haz una preselección de voces. Elige de tres a cinco voces de la biblioteca que encajen con el registro que necesitas. No le des demasiadas vueltas a este paso: afinarás en las pruebas.
Paso 3: Prueba con guiones reales. Escribe las diez frases más habituales que dirá el agente, incluidas las difíciles: disculpas, negativas, confirmaciones con muchos números y nombres de producto. Genera el audio con cada voz y escúchalos seguidos.
Paso 4: Prueba en contexto. Si el agente va a estar al teléfono, escucha el audio por el altavoz de un teléfono, no con auriculares de estudio. Si quienes llaman van a estar en entornos ruidosos, añade ruido de fondo. La voz que mejor suena en una habitación silenciosa puede no ser la que mejor suena en un coche.
Paso 5: Pilota con llamadas reales. Deja la voz en producción una semana. Escucha las grabaciones. Presta atención a los momentos en que quien llama pide al agente que se repita: son fallos de inteligibilidad. Presta atención a los momentos en que cambia el tono de quien llama: son desajustes de registro.
Errores comunes
- Elegir una voz que suena como el fundador. El gusto del fundador no es la experiencia del cliente. Prueba con llamadas reales.
- Usar la misma voz para todos los casos de uso. Una empresa con una línea de soporte y una línea de ventas puede necesitar una voz distinta para cada una. La marca es la empresa, no la voz.
- Ignorar el lado del STT. La voz con la que habla el agente es solo la mitad de la ecuación. Si el modelo de voz a texto no entiende el acento de quien llama, ni la mejor voz del mundo salvará la conversación. Ink, nuestro modelo de STT en streaming, maneja habla con acento y entornos ruidosos, pero pruébalo con tu base real de llamadas.
- Optimizar para la demo. Una voz que impresiona en una demo de ventas puede no aguantar una llamada de soporte de diez minutos. La escucha larga revela artefactos y tics que los clips cortos esconden.