Cualquiera puede hacer que una IA lea un texto en voz alta. El reto de verdad —el que separa una demo de un producto que usan empresas reales— es que la conversación se sienta humana. Esto es lo que aprendimos construyendo AIBI.
El problema del robot
Los primeros agentes de voz fallan siempre por lo mismo: responden tarde, no dejan interrumpir y suenan planos. El oído humano es implacable con esos detalles. Un silencio de dos segundos basta para que la persona sienta que habla con una máquina.
Latencia: el enemigo invisible
Nuestra obsesión fue el tiempo de respuesta. Para lograrlo, el agente no espera a 'pensar' toda la frase antes de contestar: empieza a hablar en cuanto tiene las primeras palabras, igual que nosotros. Cada milisegundo que recortamos hace la conversación más creíble.
Respuesta en streaming
El agente empieza a hablar apenas el modelo genera las primeras palabras, no al final.
Barge-in real
Si lo interrumpes, calla al instante y retoma el hilo sin perderse.
Conexiones vivas
Mantenemos las conexiones de red 'calientes' para evitar demoras invisibles que cuelgan una llamada.
Nos costó varias iteraciones entender que el 90% de 'sonar natural' es tiempo de respuesta y saber callar. La voz bonita es lo fácil.
— Equipo de AIBI
Lo que sigue
Seguimos afinando la naturalidad y sumando canales. La meta de fondo no cambia: que la mejor tecnología de voz también sea la más accesible, para empresas que antes no podían ni soñar con tenerla.
Sobre AIBI: AIBI es el producto insignia del portafolio de Aspen. Puedes conocerlo en su propio sitio.