Configuración de voz#

La configuración de voz transforma un agente de texto en una experiencia de conversación hablada. Es independiente de las instrucciones y del conocimiento del agente: define cómo suena y cómo gestiona el ritmo de la conversación, no qué sabe o qué puede hacer.

#Proveedor y voz

provider y voice_id determinan qué motor de voz y qué voz específica utiliza el agente. La elección de voz es una decisión de producto tanto como técnica: debe ser coherente con el tono definido en las instrucciones. Un agente que transmite información técnica o sensible generalmente se beneficia de una voz neutra, sin un tono demasiado marcado.

#Velocidad y tono

speed controla qué tan rápido habla el agente. Una velocidad alta puede sentirse más dinámica, pero dificulta la comprensión de números, nombres propios o instrucciones. Para soporte y asistencia, una velocidad moderada suele funcionar mejor.

pitch ajusta el tono de la voz. Debe evaluarse junto con la voz seleccionada y el resto de la configuración, no de forma aislada.

#Sonido de fondo y palabras de apoyo

background_sound y background_volume permiten añadir un sonido ambiente a la conversación, útil en escenarios telefónicos para reducir la sensación de silencio absoluto. Debe mantenerse en un volumen que no reste claridad a la voz principal.

filler_words activa palabras de apoyo mientras el agente prepara una respuesta. Úselo con moderación: un uso excesivo hace que la conversación se sienta artificial.

#Detección de turnos

La detección de turnos determina cuándo el sistema considera que el usuario terminó de hablar y cuándo el agente puede comenzar a responder. Es una de las configuraciones con mayor impacto percibido en una conversación de voz.

Si el sistema espera demasiado antes de responder, la conversación se siente lenta. Si responde demasiado pronto, puede interrumpir al usuario antes de que termine de hablar. Un silence_timeout_ms corto favorece conversaciones ágiles pero es más sensible a pausas naturales del usuario; uno largo es más tolerante pero introduce latencia percibida.

min_interruption_words en un valor mayor que cero ayuda a evitar que ruidos ambientales o palabras sueltas interrumpan al agente innecesariamente, a costa de hacer las interrupciones intencionales un poco menos inmediatas.

#Probar la configuración de voz

La configuración de voz no debería evaluarse solo leyendo los valores. Pruebe una conversación hablada completa y observe si la velocidad resulta cómoda, si el agente detecta correctamente cuándo el usuario terminó de hablar, si las interrupciones se sienten naturales y si existen silencios excesivos. Una respuesta que funciona bien en texto puede resultar demasiado extensa al escucharse; ese ajuste corresponde a max_tokens, descrito en Modelos e idioma.