Por qué el audio telefónico es difícil para el reconocimiento de voz
Por qué el audio telefónico, de banda estrecha, comprimido y con ruido, confunde al reconocimiento de voz, cómo detectar los síntomas y qué puedes corregir.
Un asistente de voz que funciona a la perfección en una demo puede tropezar en una llamada real. La causa rara vez es el modelo de lenguaje. Suele ser el audio. Una línea telefónica es un entorno hostil para el reconocimiento de voz, y saber por qué te ayuda a fijar expectativas realistas y a corregir los problemas que se pueden corregir.

Esta guía sigue el sonido desde la boca de quien llama hasta el reconocedor y muestra dónde se pierde calidad. Complementa a Mejorar el reconocimiento de voz en llamadas y a Detección de actividad de voz.
El recorrido del audio de una llamada
Dónde puede dañarse el sonido
- MicrófonoUn teléfono o unos auriculares captan la voz, junto con la sala.
- Procesado del terminalLa supresión de ruido y el control de ganancia modifican el sonido.
- RedEl audio se comprime y se envía en paquetes por enlaces móviles y de internet.
- Plataforma de telefoníaLa llamada se conecta, se convierte y a veces se mezcla.
- ReconocedorEl audio se convierte en texto, con la calidad que quede.
Cada etapa solo puede conservar o perder calidad; ninguna puede recuperar lo que ya se ha perdido. Por eso un primer tramo deficiente, como un manos libres en un coche, limita todo lo que viene después.
Audio de banda estrecha: el límite básico
El audio telefónico tradicional es de banda estrecha: transmite una gama limitada de frecuencias, mucho menor que la que capta un micrófono de estudio. La consecuencia es que se debilitan los sonidos agudos, que distinguen letras como la s, la f o la z. Entre la s y la f, o la p y la t, el teléfono deja poco a lo que agarrarse. Las personas se apañan con el contexto. El software, sobre todo con palabras aisladas como un nombre deletreado, tiene menos contexto en el que apoyarse.
Algunas llamadas usan códecs de banda ancha que transmiten más detalle, lo que ayuda. Que una llamada concreta se beneficie depende de que todos los eslabones de la cadena lo admitan, y las llamadas entre redes distintas a menudo vuelven al formato común más bajo.
Los sonidos que más sufren
- Letras de palabras deletreadasB, D, P, T, S y F se confunden, lo que hace poco fiable deletrear por voz.
- DígitosDos y doce, o seis y sesenta, pueden confundirse sin un buen audio.
- Consonantes suavesLos sonidos débiles al final de las palabras desaparecen bajo el ruido.
- Palabras cortasPoco contexto implica más errores, como con sí y no en un entorno ruidoso.
Otras causas de un audio deficiente
Compresión y pérdida de paquetes
Para ahorrar ancho de banda, el audio se comprime. Si los paquetes de red se retrasan o se pierden, aparecen huecos breves o ráfagas distorsionadas. Una persona rellena una sílaba que falta; un reconocedor puede producir una palabra equivocada o ninguna.
Ruido de fondo y procesado
La gente llama desde la calle, la cocina, el coche o una tienda. La supresión de ruido del terminal puede eliminar ruido, pero también recortar el inicio de una palabra o aplanar el habla en voz baja. El resultado puede ser un habla que a una persona le suena limpia pero que al software le cuesta más.
Eco y manos libres
Cuando el altavoz de quien llama se cuela en su micrófono, la propia voz del agente puede volver como eco, lo que puede confundir tanto al reconocimiento como a la detección de quién está hablando. Ayuda pedir que se use el auricular o unos auriculares cuando importa.
Desajuste de entrenamiento
Muchos reconocedores se entrenan sobre todo con grabaciones más limpias o de banda más ancha. El audio telefónico suena distinto, así que la precisión baja. Algunos proveedores ofrecen modelos ajustados para telefonía; pregunta por ellos y pruébalos.
Cómo se ve en una transcripción
| Síntoma | Posible causa de audio |
|---|---|
| Letras erróneas en nombres deletreados | La banda estrecha confunde letras de sonido parecido |
| Dígitos cambiados u omitidos | Pérdida de paquetes, ruido o habla rápida |
| Faltan palabras al principio | La supresión de ruido del terminal recorta el inicio |
| Palabras extrañas que no se dijeron | Eco o voces de fondo |
| Buena precisión en teléfonos de sobremesa, mala en móviles | Ruido y compresión de la red móvil |
| Silencios largos sin texto | La detección de silencio falla con una voz baja |
Mira la grabación, no solo la transcripción. Escucharla muestra si el problema es el audio o el reconocimiento. Si tú lo oyes con claridad y el reconocedor no lo entendió, el eslabón débil es el reconocedor; si a ti también te cuesta, corrige el audio.
Medir el problema antes de corregirlo
Es tentador culpar al reconocedor de cada error. Un hábito más fiable es clasificar una muestra de llamadas problemáticas por causa. Toma veinte llamadas en las que el agente entendió mal algo. En cada una, escucha la grabación y decide: ¿era malo el audio, habló la persona de forma inusualmente rápida o baja, se equivocó el reconocedor con un habla clara o el malentendido estuvo en el modelo de lenguaje a partir de un texto correcto?
El reparto suele sorprender. Un negocio con muchas llamadas desde móviles puede descubrir que la mayoría de los errores son de audio; uno con un vocabulario especializado, como códigos de producto, puede descubrir que el punto débil es el reconocedor. Cada causa tiene un remedio distinto, y corregir la equivocada hace perder semanas.
Fíjate también en los patrones por hora y por ruta. Si los errores se concentran a una hora determinada, la causa puede ser la congestión de red en tu lado. Si se concentran en llamadas de una región u operador, puede fallar la ruta del audio. Anota el patrón antes de cambiar ningún ajuste para poder saber después si el cambio funcionó.
Mantén honesta la muestra incluyendo llamadas que fueron bien. Si solo revisas fallos, no sabrás si un cambio que los corrige ha estropeado sin que te des cuenta llamadas que antes funcionaban. Comparar el antes y el después sobre el mismo conjunto mixto es la salvaguarda más sencilla.
Qué puedes hacer
Diseña la conversación pensando en un audio deficiente
- Confirma los datos clave. Repite números y nombres en fragmentos cortos y deja que la persona los corrija.
- Evita deletrear en voz alta cuando puedas. Ofrece alternativas como un número de referencia, o recoge los datos por mensaje o en una página de reserva.
- Usa preguntas cortas y directas. Menos palabras significan menos ocasiones de entender mal.
- Ofrece una persona. Si el agente no entiende dos veces, que pase la llamada en lugar de dar vueltas.
Las técnicas para nombres y números se tratan en Cómo acertar con nombres, números y direcciones por voz.
Corrige lo que controlas
- Usa auriculares de calidad para tu propio personal, ya que su lado de la llamada también cuenta en las transcripciones.
- Revisa la fluctuación (jitter) y la pérdida de paquetes de tu red, sobre todo en una conexión de oficina compartida.
- Elige ajustes de reconocimiento adecuados para el audio telefónico y ajusta la sensibilidad al ruido si tu plataforma lo permite.
- Haz pruebas desde móviles y lugares con ruido.
Audio y reconocimiento en Call
En Call, cada agente de IA tiene ajustes de transcripción: el idioma que escucha, que puede detectarse automáticamente, un umbral de silencio y un control de sensibilidad al ruido. Para el personal que usa el teléfono del navegador, una transcripción en directo puede anotar ambos lados de la llamada mientras ocurre, etiquetados como tú y la otra parte, y guardarla con la llamada. Necesita la conexión con el operador y una dirección pública, y sin ellas el panel explica por qué. Las transcripciones se conservan durante un tiempo limitado. Úsalas como diagnóstico: si el texto en directo es malo en una llamada concreta, reproduce la grabación y decide si falla el audio o el reconocedor. Las llamadas desde el navegador se explican en Cómo funcionan las llamadas desde el navegador: WebRTC explicado.
Preguntas frecuentes
¿Por qué el audio de una llamada es peor que una nota de voz en mi smartphone?
Las llamadas usan un audio estrecho y comprimido pensado para que lo entiendan las personas, no el software. Una app de notas de voz suele grabar un audio más rico directamente en el dispositivo.
¿Puede el reconocimiento de voz llegar a ser perfecto por teléfono?
No. Incluso las personas entienden mal en líneas malas. El objetivo es reducir los errores y diseñar la conversación para que la confirmación detecte las equivocaciones.
¿Ayuda un micrófono mejor al agente de IA?
Sí, en tu propio personal y en quienes llaman con auriculares, pero no puedes controlar el equipo de quien llama. Diseña para el peor audio realista.
¿Por qué cuesta tanto deletrear nombres?
En una línea estrecha muchas letras suenan parecido, y una sola letra no tiene contexto que ayude. Ofrecer otra forma de recoger el dato, o repetir las letras, reduce los errores.
¿Debo ajustar el reconocimiento para telefonía?
Si tu plataforma ofrece modelos ajustados para teléfono o ajustes de ruido, pruébalos en llamadas reales. Compara los resultados, porque el ajuste correcto depende de quienes te llaman.
¿Cómo sé si un error es de audio o de reconocimiento?
Escucha la grabación. Si una persona oye las palabras con claridad y la transcripción es errónea, sospecha del reconocimiento. Si el audio también es malo para una persona, corrige la ruta del audio.