Detección de actividad de voz: saber cuándo ha terminado quien llama
Cómo distingue la detección de actividad de voz el habla del silencio, por qué falla el momento y cómo ajustar la espera para que el agente no interrumpa ni tarde.
Cuando dos personas hablan por teléfono, rara vez piensan en quién habla a continuación. Un agente de voz tiene que calcularlo. El primer paso es una pregunta sorprendentemente sencilla que se hace muchas veces por segundo: ¿está hablando alguien ahora mismo? El componente que la responde se llama detección de actividad de voz, o VAD.

Esta guía explica qué hace la VAD, por qué es más difícil en una línea telefónica que en una sala silenciosa, qué significan los ajustes y cómo afinarlos. Para una visión general de cómo funciona un agente de voz, lee Cómo funciona la IA de voz en una llamada.
Qué hace la detección de actividad de voz
La VAD analiza el flujo de audio en fragmentos muy cortos y etiqueta cada uno como habla o no habla. Las versiones sencillas solo miden el volumen. Las mejores son modelos entrenados que reconocen el patrón del habla humana e ignoran los clics del teclado, un camión que pasa o una televisión de fondo.
Las etiquetas alimentan tres decisiones en un agente de voz:
- Inicio del habla: quien llama ha empezado a hablar, así que el agente debe escuchar y, si está hablando, plantearse callar.
- Fin del habla: quien llama lleva en silencio el tiempo suficiente para que su turno probablemente haya terminado, así que el agente puede responder.
- Nada que transcribir: si el audio es solo ruido, no se pide al reconocedor de voz que adivine palabras.
Como todo lo que viene después depende de la VAD, una VAD deficiente hace que un buen agente parezca malo. Una respuesta que llega mientras quien llama sigue hablando rara vez es un problema de lenguaje; suele ser un problema de sincronización.
Por qué las llamadas lo complican
Una línea telefónica es un canal estrecho y comprimido que a menudo transmite la voz de alguien que está en la calle, en el coche o en una tienda. Esa combinación difumina la frontera entre habla y ruido. Por qué el audio telefónico es difícil para el reconocimiento de voz analiza el propio audio; aquí van los efectos específicos sobre la VAD.
Qué confunde a un detector
- Ruido de fondoEl tráfico, el viento y las conversaciones de una cafetería pueden confundirse con habla y mantener abierto el turno.
- Personas que hablan bajoUna voz suave puede clasificarse como silencio, y el agente habla por encima de quien llama.
- Pausas a mitad de fraseLa gente se para a pensar, a deletrear un nombre o a buscar un número en el bolso.
- Eco y tono localLa propia voz del agente que vuelve por la línea puede parecer la de quien llama.
- Respiraciones y muletillasSonidos como «mmm» o un suspiro pueden contar o no como turno.
El equilibrio del umbral de silencio
El ajuste más importante es cuánto debe durar un silencio para que el sistema decida que quien llama ha terminado. Llamémoslo umbral de silencio. Es un equilibrio sin valor perfecto.
Umbral de silencio corto frente a largo
| Espera corta | Espera larga | |
|---|---|---|
| Sensación de la llamada | Rápida y viva | Más lenta y pausada |
| Riesgo | Interrumpe mientras la persona piensa o dicta un número | Silencio muerto tras cada respuesta; la gente se repite |
| Adecuada para | Intercambios breves de sí o no | Nombres, direcciones, datos de cuenta, personas mayores o que dudan |
Piensa en el contenido de la llamada. Si sobre todo haces preguntas de sí o no, una espera corta funciona. Si quien llama tiene que dar una dirección de correo o un número de referencia, una espera más larga evita que el agente intervenga en una pausa entre dígitos.
Velocidades distintas para preguntas distintas
Algunos sistemas permiten variar la paciencia según la pregunta. Sé rápido cuando preguntas si quieren que les devuelvan la llamada; sé paciente cuando pides un código postal. Si tu plataforma no lo permite, elige el ajuste que mejor se adapte a tu pregunta más difícil, ya que cortar a alguien molesta más que una breve pausa.
Ajustar la VAD en Call
En Call, cada agente de IA tiene una sección Transcripción donde eliges el idioma que escucha o dejas que lo detecte automáticamente. Dos controles deslizantes determinan cómo decide que quien llama ha terminado. El umbral de silencio es el número de segundos de silencio antes de que termine el turno de quien llama, ajustable entre 0 y 1,5 segundos; un valor más bajo significa turnos más rápidos y uno más alto permite pausas más largas. El control de sensibilidad al ruido hace que el agente sea más o menos sensible al sonido de fondo. Un aviso en esa página indica cuáles de estos ajustes usan hoy las llamadas reales, así que consúltalo antes de dedicar tiempo a ajustarlos.
Un ciclo de ajuste sencillo
- Empieza con los valores por defectoHaz una serie de llamadas de prueba de referencia antes de cambiar nada.
- Prueba los casos difícilesLlama desde un lugar con ruido, habla despacio, haz una pausa a mitad de un número, habla en voz baja.
- Cambia un solo ajusteAjusta el silencio o la sensibilidad al ruido, no ambos a la vez.
- Vuelve a probar y comparaUsa el mismo guion para que las diferencias se deban al ajuste.
- Revisa llamadas realesBusca en las transcripciones personas cortadas o silencios largos y vuelve a ajustar.
Imagina a una persona hipotética que da una referencia de reserva. Dice los cuatro primeros caracteres, mira el correo de confirmación y continúa a los dos segundos. Con una espera corta, el agente ya ha respondido, la persona vuelve a empezar y ambos se pisan. Con una espera más larga, la misma persona completa la referencia de una vez. Ahora imagina a alguien que solo tiene que decir sí. La espera más larga le cuesta un segundo de silencio en cada turno. El ajuste correcto depende de cuál de estas llamadas esperas con más frecuencia.
Las llamadas desde móviles añaden otra complicación. Los teléfonos con una supresión de ruido agresiva a veces recortan la primera sílaba de una frase, de modo que el inicio del habla llega tarde. Si a menudo parece que la gente empieza a hablar y se le ignora, prueba el ajuste de ruido más sensible y vuelve a probar desde un móvil.
Interpretar los síntomas
A menudo puedes saber en qué sentido falla un ajuste escuchando las llamadas.
| Lo que oyes | Causa probable | Qué probar |
|---|---|---|
| El agente habla por encima de quien llama | Espera de silencio demasiado corta o habla en voz baja no detectada | Sube el umbral de silencio, aumenta la sensibilidad al ruido |
| Pausas largas antes de cada respuesta | Espera de silencio demasiado larga | Baja un poco el umbral |
| El agente no responde a nada | El ruido se trata como habla, así que el turno nunca se cierra | Reduce la sensibilidad al ruido |
| El agente ignora a alguien que habla bajo | El habla se trata como ruido | Aumenta la sensibilidad al ruido |
| Las respuestas parecen lentas incluso con una espera corta | Retraso en otra parte del proceso | Consulta la guía sobre latencia |
El retraso tiene varias causas además de la VAD. Latencia en la IA de voz: qué hace que una conversación sea natural las distingue, y Barge-in: cómo gestiona la IA de voz las interrupciones de quien llama explica qué pasa cuando quien llama habla mientras el agente está hablando.
Más allá del silencio: decisiones de fin de turno más inteligentes
El silencio por sí solo es una señal tosca. Los enfoques más recientes también tienen en cuenta lo que se ha dicho: una frase que termina en «y» o un número a medio decir probablemente indican que viene algo más, mientras que una pregunta completa probablemente no. Estos métodos se describen con más detalle en La toma de turnos en los agentes de voz. Sea cual sea la técnica, trata lo que afirman los proveedores como hipótesis y compruébalo con tus propias llamadas.
Antes de ponerlo en marcha, confirma que
- El agente no interrumpe cuando la gente dicta números
- Una pausa de uno o dos segundos no se trata como fin de turno
- Se sigue entendiendo a alguien que llama desde una calle ruidosa
- La propia voz del agente no activa el detector
- Has escuchado llamadas desde móviles, no solo desde teléfonos de sobremesa
- Sabes dónde cambiar los ajustes si las llamadas reales revelan un problema
Qué hacer a continuación en Call
Abre los ajustes de voz del agente, revisa la sección de transcripción y haz una llamada de prueba que haga sonar tu propio teléfono a través de la línea. Después abre la llamada en el historial de llamadas, donde un responsable puede ver cuánto duró cada turno hablado, y compáralo con la sensación que te dio la llamada. Los pequeños cambios en el umbral de silencio se valoran mejor escuchando una llamada junto a otra que de memoria.
Preguntas frecuentes
¿Qué significa VAD?
Voice activity detection, es decir, detección de actividad de voz. Es la parte de un sistema de voz que distingue el habla del silencio y del ruido de fondo.
¿La VAD es lo mismo que el reconocimiento de voz?
No. La VAD solo decide si alguien está hablando. El reconocimiento de voz convierte el habla en texto. Funcionan juntos, y la VAD también decide cuándo dejar de escuchar y empezar a responder.
¿Por qué a veces el agente me interrumpe?
Probablemente la espera de silencio es demasiado corta para tu forma de hablar, o una pausa se interpretó como el final de tu turno. Subir el umbral de silencio suele ayudar.
¿Por qué hay una pausa larga antes de que responda el agente?
Puede que la espera de silencio sea larga o que el retraso esté en otra parte, por ejemplo al generar la respuesta. Revisa primero los ajustes y luego los tiempos de respuesta en el historial de llamadas.
¿Afecta el ruido de fondo al resultado?
Sí. El ruido puede confundirse con habla y mantener abierto el turno, y el habla en voz baja puede confundirse con ruido. Los ajustes de sensibilidad al ruido y las llamadas de prueba desde lugares realistas te ayudan a encontrar el equilibrio.
¿Puede un solo ajuste servir para todo el mundo?
Rara vez. Elige un valor adecuado para tus preguntas más exigentes y revisa llamadas reales, porque las personas pacientes y las rápidas se comportan de forma distinta.