Escribir en el teléfono es lento y mandar un audio es lo más natural del mundo. Si su agente personal solo entiende texto, está usando la mitad de lo que podría. Con un agente que escucha, usted habla mientras camina o maneja, y cuando termina ya hay una tarea en marcha. Este artículo explica cómo funciona por dentro, qué falla de verdad y las reglas que usamos para que no se equivoque.
Qué pasa entre el audio y la tarea
Un modelo de lenguaje trabaja con texto, no con sonido. Para que un audio se convierta en una tarea hacen falta cuatro pasos, siempre en este orden:
- Llega el audio. En nuestro caso, por Telegram: usted manda una nota de voz como a cualquier contacto.
- Se descarga el archivo. Telegram lo entrega en formato .oga, un contenedor de audio comprimido.
- Se transcribe. Un modelo de reconocimiento de voz (nosotros usamos Whisper, a través de Groq) convierte el audio en texto.
- El agente trata ese texto como si usted lo hubiera escrito. A partir de ahí es una instrucción más: la ejecuta, pregunta o responde.
No hay nada mágico en el cuarto paso, y es lo mejor del diseño: el agente no necesita saber nada especial de voz. Todo el trabajo está en que el texto llegue completo y correcto.
Lo que de verdad cambia en el día a día
Para darle una idea de cuánto se usa: contamos el 9 de noviembre de 2026 los archivos de audio en la bandeja de entrada de nuestro agente y hay 315. No es una función de demostración, es la forma en que se le dan instrucciones la mayor parte del tiempo.
Lo que ganamos con eso es concreto:
- Más contexto en menos tiempo. Explicar un encargo hablando suele incluir los matices que al escribir se recortan por pereza.
- Se puede dar una instrucción en cualquier momento. En el coche, en una fila, entre dos reuniones.
- Un solo audio puede traer varias tareas. Investigar algo, escribir un texto y avisar a alguien, todo en una nota de voz de medio minuto.
Cuando el audio no se entiende: tres fallos reales
Lo que sigue sale de cosas que nos pasaron, no de un manual. La transcripción automática es muy buena, pero no es infalible, y un agente que actúa sobre una transcripción mala hace cosas equivocadas con total seguridad.
1. Forzar el idioma destroza los demás
Es habitual configurar la transcripción en español «para asegurar». Si quien habla usa español, portugués e inglés, esa pista fija es una trampa: un audio en portugués salió transcrito como «y y y y». La solución fue quitar la pista y dejar que el modelo detecte el idioma solo. Desde entonces, los audios en los tres idiomas salen bien.
2. La transcripción que sale demasiado corta
Un audio de 28 segundos y unos 585 KB devolvió, con el modelo rápido, una sola palabra: «Gracias.» Con el modelo grande salió el encargo completo: investigar, escribir, publicar y mandar dos correos. Si el agente hubiera respondido a «Gracias.», se habría perdido todo eso sin que nadie se enterara.
De ahí sale una regla simple: si la duración del audio no cuadra con lo corto de la transcripción, no es que dijera poco, es que falló. Se reintenta con el modelo grande antes de responder nada.
3. Nombres propios y números
Es donde más se equivocan todos los sistemas de voz: apellidos, nombres de empresas, cifras, direcciones. Un «quince mil» que era «cincuenta mil» cambia por completo lo que hay que hacer. Por eso el agente confirma antes de actuar cuando un nombre o una cifra dudosa cambia el resultado de la tarea.
Las reglas que usamos
- Acusar recibo al instante. Lo primero que hace el agente al llegar un audio es responder que lo recibió. Así sabe usted que el canal está vivo antes de que termine la transcripción.
- Nunca fingir que oyó. Si la transcripción falla, lo dice y pide el mensaje por texto. Una respuesta inventada a un audio que no entendió es peor que un aviso.
- Tratar la transcripción como texto escrito, pero con criterio. Se ejecuta tal cual, salvo que un posible error cambie lo que se va a hacer.
- Comprobar que el audio se está atendiendo. Tenemos un vigilante que avisa si llega un audio, una foto o un documento y pasan diez minutos sin que el agente lo procese.
Un ejemplo: del audio a la tarea cerrada
Imagine que sale de una reunión y manda esta nota de voz: «Anota que el proveedor quedó en mandar la cotización el viernes, redáctame un correo de seguimiento para el lunes y busca si hay otra opción más barata». Son tres cosas en una sola frase.
El agente responde de inmediato que recibió el audio. Después transcribe, separa las tres instrucciones, deja la primera anotada en su libreta, deja el borrador del correo listo para que usted lo revise y se pone a buscar alternativas. Al terminar, le manda el resultado en un mensaje nuevo para que le llegue la notificación. Usted no abrió ninguna aplicación, no escribió nada y no tuvo que acordarse de nada el lunes.
Lo importante es que el audio no se queda como un archivo perdido en una conversación: se convierte en trabajo que queda registrado.
Qué se necesita para montarlo
Menos de lo que parece:
- Un canal donde mandar audios (Telegram o WhatsApp sirven).
- Un servicio de transcripción. Hay opciones en la nube y también modelos que corren en el propio servidor.
- Una regla en las instrucciones del agente: qué hacer cuando llega un audio y qué hacer cuando la transcripción sale mal.
La parte técnica se arma en una tarde. Lo que lleva más tiempo es afinar las reglas de arriba con el uso real, porque los fallos no se ven hasta que pasan.
Lo que la voz no resuelve
- No sustituye al texto para todo. Una cifra exacta, una dirección o un enlace conviene mandarlos escritos.
- Un audio largo y desordenado produce una tarea desordenada. Hablar rápido no quita la necesidad de pensar qué se pide.
- Hay ruido. Una calle con tráfico o un restaurante lleno bajan la calidad de la transcripción, y el agente solo puede trabajar con lo que le llega.
Cómo probarlo
Empiece con tareas pequeñas y fáciles de comprobar: «apúntame que el jueves llamo a este proveedor», «busca tres opciones de esto y mándamelas». Cuando vea que la transcripción acierta en su voz y su acento, suba a encargos más largos. Y revise las primeras transcripciones: es la forma de detectar a tiempo los nombres que se le atoran.
Si quiere un agente al que pueda hablarle en lugar de escribirle, escríbanos y vemos juntos cómo montarlo para su forma de trabajar.
La cifra de este artículo (315 archivos de audio) es un recuento de la bandeja de entrada de nuestro propio agente al 9 de noviembre de 2026. No damos cifras de tiempo ahorrado porque no las hemos medido con rigor.
