Voz y llamadas en vivo
Configura el texto, los mensajes de voz, las llamadas en tiempo real y el comportamiento de los idiomas.
Configura el texto, los mensajes de voz, las llamadas en tiempo real y el comportamiento de los idiomas.
Entiende los tres modos de interacción#
| Modo | Experiencia del visitante | Derechos del plan y uso |
|---|---|---|
| Chat de texto | Escribe un mensaje y recibe texto | Siempre activado; consume créditos de IA normales |
| Mensajes de voz | Graba un mensaje, espera la transcripción, el agente y la síntesis de voz (TTS) y recibe una respuesta | Incluido en todos los planes; la transcripción, el modelo y la voz consumen créditos |
| Llamada en vivo en tiempo real | Mantiene una conversación hablada de baja latencia | Operate: 30 min/mes; Scale: 90 min/mes; Launch: no disponible; además cobra créditos por adelantado según el límite de llamada configurado |
El texto no se puede desactivar. Los interruptores de mensajes de voz y de tiempo real controlan qué superficies adicionales pueden usar los visitantes. Un interruptor de tiempo real guardado no anula los derechos del plan del espacio de trabajo ni suple una configuración de proveedor que falte.
Configura el comportamiento de la interacción#
- Abre la página Agent del sitio y busca Voice.
- Mantén activado Text chat y elige Voice messages y/o Live real-time voice.
- Si el agente tiene varios idiomas, activa opcionalmente el reflejo de idioma en vivo.
- Define el límite automático por llamada.
- Selecciona una voz predefinida.
- Guarda y prueba cada modo activado por separado.
El límite de llamada admite desde 30 segundos hasta 20 minutos, en pasos de 30 segundos; el valor predeterminado es de 3 minutos. Finaliza una llamada individual y protege la asignación mensual, pero no aumenta los minutos en vivo que le quedan al plan.
Elige idiomas y una voz#
Los agentes pueden configurarse en inglés, coreano, uzbeko, ruso, francés, español, alemán y árabe. El primer idioma es el principal. Un agente de un solo idioma sigue respondiendo en ese idioma. Un agente de texto multilingüe refleja el idioma del visitante cuando este usa uno de los idiomas configurados.
En las llamadas en vivo, el reflejo de idioma es una opción explícita que solo aparece con dos o más idiomas. Cuando está desactivado, las llamadas en vivo usan el idioma principal. La voz en uzbeko funciona actualmente con el mejor esfuerzo, ya que la cobertura de voz de los proveedores es menos completa; pruébala con tu proveedor y tu audiencia exactos antes del lanzamiento.
Las voces predefinidas incluyen opciones centradas en inglés, multilingües y nativas en coreano. La etiqueta de idioma describe la entrega seleccionada, no una garantía absoluta. Escucha una vista previa de la voz elegida cuando el control de vista previa del panel esté disponible, y prueba siempre nombres, abreviaturas, monedas, números de teléfono y terminología especializada en el flujo real del visitante.
Claves de proveedor y respaldo#
La voz requiere algo más que una clave de modelo:
- La conversión de voz a texto usa el proveedor de transcripción configurado en la plataforma.
- Los mensajes de voz y las respuestas de audio de los conectores necesitan el proveedor de síntesis de voz (TTS) configurado.
- Las llamadas en tiempo real necesitan el proveedor de tiempo real configurado y una asignación del plan.
La voz gestionada por la plataforma usa los proveedores configurados por la plataforma; no necesitas una clave. Los propietarios con plan Scale pueden añadir opcionalmente una clave de Speko para la transcripción y la síntesis de voz en Settings → AI provider keys y seguir Claves de proveedor. Las llamadas en vivo siempre se facturan a la tarifa de la plataforma. Un chat de texto que funciona solo demuestra que la ruta del modelo funciona; no demuestra que funcionen la transcripción, la síntesis de voz, la subida de archivos multimedia ni la creación de sesiones en tiempo real.
Enrutamiento de voz y respaldo#
Elige un modelo en Voice models para la transcripción, la síntesis de voz y las llamadas en vivo. Cada opción identifica el modelo y a su creador; Auto permite que lo elijamos nosotros. El alojamiento y el enrutamiento los gestiona Make Agent Fast, por lo que no hay una elección de plataforma por separado. La voz predefinida exacta puede variar según el modelo seleccionado.
Si un servicio de voz no está disponible, puede usarse una alternativa disponible. Si falla la voz, el texto sigue disponible.
Las llamadas en vivo transmiten audio nativo del proveedor en vivo seleccionado con su voz integrada. La recuperación de conocimiento, las reglas de idioma, la interrupción, las asignaciones de minutos en vivo y los cargos por adelantado de la llamada siguen aplicándose. Las respuestas en vivo no generan una solicitud de TTS adicional.
Prueba los mensajes de voz#
Usa un embed real o el Agent link, no solo una vista previa del propietario. Concede acceso al micrófono, graba una pregunta corta y confirma que el significado de la transcripción y la respuesta hablada o de texto sean correctos. Después, prueba:
- entornos silenciosos y ruidosos;
- Safari y Chrome en móvil, cuando sea relevante;
- una pregunta larga cercana al límite público de 25 MB de audio;
- el permiso de micrófono denegado;
- audio no compatible o de baja calidad;
- cada idioma configurado.
En los sitios con embed, la CSP y la Permissions Policy de la página principal deben permitir el uso del micrófono. Consulta Seguridad y CSP.
Conversación en vivo en la plataforma frente al sitio publicado#
La conversación en vivo usa los mismos controles de llamada en dos lugares:
| Superficie | Dónde | Aspecto | ¿Cuenta como activación? |
|---|---|---|---|
| Lienzo del estudio del agente | El widget en vivo junto a las pestañas de la página Agent | El aspecto del widget del visitante, mostrado en el panel | No: las pruebas del propietario nunca activan |
| Sitio publicado y embed | El iframe de embed.js, el widget en el Agent link y cualquier página de demostración alojada que haya quedado | Aspecto del tenant / widget | Sí: una llamada de un visitante es una conversación real |
El lienzo junto a la pestaña Display muestra el mismo aspecto que ve el visitante. Prueba un embed real antes del lanzamiento; una prueba correcta en el panel no demuestra el permiso de micrófono del embed, la CSP de la página anfitriona ni la activación.
Use website en Agent theme, en la pestaña Display, sigue el modo claro u oscuro del visitante en la página anfitriona y en el embed. Si fijas Light o Dark, se aplica tanto al chat como a la llamada en vivo. Consulta Aspecto.
Prueba las llamadas en vivo#
Confirma que el plan tiene minutos en vivo sin usar, que el sitio es accesible y que la clave del proveedor de tiempo real se valida. Empieza con una llamada corta, interrumpe al agente, cambia de idioma solo cuando el reflejo de idioma esté activado y deja que el límite de llamada configurado termine una sesión de prueba. Repite una llamada en un embed real, no solo en el lienzo de la página del Agent.
Los minutos en vivo son un derecho mensual independiente de los créditos normales. Al emitir el token en vivo se cobran créditos por la duración máxima autorizada por el servidor y se reserva esa duración de la asignación mensual en vivo. Como el contenido multimedia fluye directamente entre el navegador y el proveedor, no se puede verificar una llamada más corta informada por el cliente, y el tiempo no usado no se reembolsa parcialmente tras la entrega del token. Los fallos al generar el token en el servidor se liberan; las sesiones abandonadas se cobran según su límite autorizado. Finaliza las pruebas correctamente y usa el límite de llamada configurado al hacer tus previsiones. Consulta Créditos y uso.
Acciones de voz en vivo#
Agent → Actions → Live call actions (Let the agente take actions during live calls) controla el uso de herramientas durante las llamadas en vivo, que se ejecutan en Gemini 3.8 Live en todos los idiomas. Está activado de forma predeterminada (voice.liveActions); si lo desactivas, la fundamentación en el conocimiento sigue disponible. Se siguen aplicando los requisitos de plan, proveedor y acceso de la voz en vivo.
Las llamadas pueden mostrar resultados de consultas, opciones, propuestas de cambios, huecos y reservas de calendario, seguimientos programados y handoff a una persona. Los cambios en el negocio, las reservas y los seguimientos requieren los botones de las tarjetas en pantalla; un «sí» dicho o escrito nunca confirma una escritura. Un seguimiento además necesita el consentimiento por correo electrónico en pantalla. Las tarjetas y los resultados de las herramientas permanecen en el historial de la conversación. Las acciones de página y tus propias herramientas MCP no forman parte del subconjunto en vivo. La facturación de la llamada sigue siendo solo por reserva, sin reembolso del tiempo de llamada no usado tras la entrega del token.
Prueba tanto el resultado hablado como la confirmación en pantalla antes de usarlo con clientes. Consulta Seguimientos y Acciones de cambio.
Divulgación y seguridad#
Informa a quienes llaman de que están interactuando con una IA y con voz sintética. Define cómo se conservan y eliminan las grabaciones, las transcripciones y los datos de los proveedores posteriores.
Solución de problemas#
| Síntoma | Qué revisar |
|---|---|
| El texto funciona, pero los controles de voz fallan | Claves de los proveedores de transcripción/TTS/tiempo real, interruptor de la función, plan, saldo de créditos y permiso del navegador |
| La grabación no puede iniciarse | HTTPS, permiso de micrófono, entrada del dispositivo, Permissions Policy del embed y compatibilidad del navegador |
| La transcripción es inexacta | Calidad del audio, conjunto de idiomas elegido, acento/terminología y cobertura del proveedor de transcripción |
| La respuesta hablada suena mal | Voz seleccionada, texto de origen, puntuación, etiqueta de idioma y disponibilidad del proveedor |
| La llamada en vivo termina de inmediato | Minutos restantes, límite por llamada, clave del proveedor, red y estado de las sesiones simultáneas |
Trata la voz como una superficie de lanzamiento independiente: las pruebas de aceptación del texto son necesarias, pero no suficientes.