Blogs
/
¿Cuán humano debe sonar un agente de voz con IA para poder vender?

¿Cuán humano debe sonar un agente de voz con IA para poder vender?

Retell
AI Voice Agent Platform
Published 
November 17, 2026
9
 min read
¿Cuán humano debe sonar un agente de voz con IA para poder vender?
About this article
Qué cambia un prompt, qué cambian los ajustes de voz y del agente, cuán humana debe sonar la voz en cada llamada saliente y cómo probarlo en llamadas reales.
VOLVER A LOS BLOGS
See Retell AI in action
Start free
Volver arriba

Un agente de voz con IA tiene que sonar lo bastante humano como para que el cliente potencial siga hablando, y cuánto hace falta depende de la llamada: un recordatorio necesita una voz clara y con buen ritmo, mientras que una llamada de venta en frío necesita una entonación que cambie según el momento. Para saber en qué lado de esa línea estás, reparte llamadas salientes reales entre dos configuraciones de voz y compara la conversión. Escuchar una demo te dice lo que te gusta a ti. No te dice lo que hacen tus clientes potenciales.

Esta guía está pensada para quien es responsable de la conversión saliente. Separa lo que cambia un prompt de lo que cambian los ajustes de voz y del agente, fija un listón por tipo de llamada y plantea una prueba con llamadas en directo.

¿Qué quieren decir los compradores cuando dicen que la voz no suena lo bastante humana?

Se refieren a la prosodia: el tono, el ritmo, el volumen, las pausas y el énfasis que usa quien habla, y cómo varían según la situación. Un buen comercial baja la voz antes de decir un precio, va más despacio cuando el cliente duda y se anima cuando la respuesta es sí. Un agente puede decir la frase correcta de forma plana o con una alegría uniforme, y el cliente potencial oye un guion.

Los equipos que chocan con este muro suelen haber reescrito el prompt muchas veces. La redacción mejoró y la objeción siguió ahí, porque la redacción y la entonación dependen de partes distintas del sistema.

¿Qué puede cambiar un prompt y qué no?

Un prompt cambia lo que dice el agente. Cómo lo dice depende de la voz que elijas y de los ajustes de habla del agente. Si sigues editando el prompt para arreglar un problema de entonación, estás trabajando en la capa equivocada.

En Retell, las capas son estas. Los nombres de los ajustes son los que se usan en la documentación del producto.

CapaQué controlaDónde se configuraLo que no arreglará
PalabrasLongitud de las frases, redacción, muletillas, lenguaje empático, cómo se expresan los númerosEl prompt, más los presets del Agent Handbook: Default Tone (Professional + Conversational), Natural Filler Words, High Empathy, Speech NormalizationUna entonación plana o rígida de frases bien escritas
VozQuién habla: timbre, acento, edad, energía de baseSelect Voice: Platform Voices, Custom Providers o un clon de vozLa redacción, o cuándo habla el agente
EntonaciónVelocidad, volumen, emoción, énfasis, pausasVoice Speed, volumen, Expressive mode, controles de pausas y pronunciaciónUna voz que no encaja con tu público
TimingCuánto espera el agente, con qué facilidad se le interrumpe, pequeños sonidos de escuchaAjustes de habla: Response Wait time, Interruption Sensitivity, Enable Backchanneling, Background soundEl tono emocional dentro de una frase
Modelo por capas de lo que determina cómo suena un agente de voz con IA en una llamada de ventas. Capa 1, palabras: el prompt y los presets del Agent Handbook. Capa 2, voz: una voz de la plataforma, una voz de un proveedor personalizado o un clon de voz. Capa 3, entonación: Voice Speed, volumen y etiquetas de Expressive mode. Capa 4, timing: Response Wait time, Interruption Sensitivity, backchanneling y sonido de fondo. Junto a las capas, tres pruebas: la simulación de texto solo comprueba las palabras, las llamadas web y telefónicas te permiten oír la voz, y un reparto A/B del tráfico en llamadas reales mide la conversión.
Un prompt solo edita la capa superior, así que un problema de entonación hay que arreglarlo y probarlo en las capas inferiores. Diagrama de Retell AI, noviembre de 2026.

Los presets del Agent Handbook siguen siendo herramientas a nivel de prompt. La documentación describe Professional + Conversational como un tono con turnos cortos y una pregunta cada vez, adecuado para ventas. Cambia el guion, no el audio.

¿Qué ajustes cambian cómo suena la voz?

Cuatro grupos de ajustes cambian el propio audio, y cada uno tiene un límite documentado.

Elección de voz. Las voces de la plataforma son la biblioteca seleccionada de Retell, descrita en la documentación como ajustada para IA conversacional por teléfono y calibrada para ofrecer claridad con las tasas de bits de telecomunicaciones. También puedes añadir una voz de un proveedor personalizado o clonar una voz. Hay una frase de la documentación sobre clonación que importa a los equipos de ventas: el clon reproduce la entonación que oye, así que graba con el tono, el ritmo y la energía que quieras en las llamadas.

Velocidad y volumen. Voice Speed va de 0,5x a 2,0x. Con "Dynamically adjust based on user input" activado, el agente sigue las palabras por minuto del cliente potencial y ajusta gradualmente su propia velocidad para igualarla. El volumen es un único valor para el agente. La documentación no describe ningún ajuste que suba o baje el volumen de un momento a otro dentro de una llamada, así que no hagas planes contando con ello.

Expressive mode. Es el control documentado más cercano a una entonación que se adapta a la situación. Con él activado, el agente añade etiquetas de voz expresivas al audio que genera y las elige en función de la conversación. Las etiquetas cubren emociones (empático, entusiasmado, contento, curioso, sorprendido), efectos (suspiro, carraspeo, pausa, pausa larga) y énfasis en la palabra que importa. Tú eliges qué etiquetas se permiten, puedes reescribir las indicaciones sobre cuándo se aplica cada una y puedes colocar una etiqueta a mano en una frase concreta, como la de apertura.

Los límites son igual de concretos. Expressive mode solo funciona con voces de la plataforma. Las etiquetas se aplican en 13 idiomas, y un agente multilingüe necesita que todos sus idiomas estén en esa lista. El agente usa las etiquetas con moderación, y la mayoría de las frases no tienen ninguna. Nunca etiqueta números, nombres, horas ni precios, así que no esperes un cambio de entonación etiquetado justo en el precio.

Timing. Una voz con buen tono sigue sonando mal si responde demasiado rápido o pisa a la gente. Response Wait time, Interruption Sensitivity y el backchanneling lo controlan, y la gestión de turnos e interrupciones tiene su propia guía.

Ninguno de estos ajustes está documentado como capaz de hacer que un agente sea indistinguible de una persona. Trata cada uno como una variable que probar. Sonar humano es además una cuestión distinta de la divulgación: el preset AI Disclosure When Asked está activado por defecto en los agentes nuevos, y qué avisos requieren tus llamadas es algo que debes consultar con tu asesoría legal o tu responsable de cumplimiento.

Si vendes en más de un idioma, el saludo pesa todavía más. Consulta los primeros 30 segundos de un agente de voz con IA multilingüe.

¿Cuán humana tiene que ser la voz para tu tipo de llamada?

El listón sube con la confianza que el cliente potencial tiene que dar antes de decir que sí. La tabla siguiente es un punto de partida para tu propia prueba, basado en lo que cada llamada pide a quien escucha. No es un benchmark.

Tipo de llamada salienteQué decide el cliente potencialListón de vozPor dónde empezar
Recordatorios, confirmaciones, avisos de renovaciónConfirmar o reprogramarClara y precisa con nombres, fechas e importesUna voz de la plataforma, Speech Normalization, entradas de pronunciación para nombres de marca y de producto
Seguimiento a un lead que pidió una llamadaSi responde a unas cuantas preguntasUna redacción conversacional y una buena gestión de turnos importan más que la emociónTono Professional + Conversational, backchanneling, Voice Speed dinámica
Llamada en frío a una listaSi sigue al teléfono después de la aperturaAlto, y concentrado en la frase de aperturaAñade Expressive mode con un conjunto reducido de etiquetas, etiqueta a mano la apertura, haz una prueba dividida con dos voces
Cierre consultivo o de alto valorSi confía al vendedor dinero o una decisión delicadaMás alto de lo que deberías suponer que alcanza cualquier ajusteDeja que el agente cualifique y concierte la cita, y luego pasa la llamada a una persona con una transferencia asistida hasta que tu prueba diga lo contrario

La última fila es la más honesta. Si la venta depende de un comercial que sepa leer la situación, mantén a ese comercial. Una transferencia asistida mantiene al agente en la línea para poner al día a la persona que responde, de modo que no se pide al cliente potencial que lo repita todo.

¿Cómo se prueba lo humana que suena la voz en llamadas reales y no a oído?

Ejecuta dos agentes que solo se diferencien en la configuración de voz sobre el mismo tráfico saliente, y evalúa ambos según un evento de conversión que definas antes de la primera llamada. Tu oído es un solo oyente. Tus clientes potenciales son la muestra.

Usa esta lista de comprobación:

  • Descarta primero los problemas de alcance. Si los clientes potenciales no contestan, la causa no es la voz. Revisa las tasas de respuesta de las llamadas salientes y la lista de comprobación de números de teléfono salientes antes de tocar los ajustes de voz.
  • No uses la simulación de texto para juzgar la voz. Las pruebas de simulación se ejecutan como una conversación de texto. Evalúan la redacción y los resultados y no oyen nada.
  • Escucha en una llamada web y luego en una llamada telefónica. La documentación recomienda las pruebas con llamada web para saber cómo suena realmente la voz (ritmo, pronunciación, muletillas) y las pruebas con llamada telefónica para el audio del operador.
  • Define la conversión como un campo, no como una impresión. Añade un campo personalizado de Post Call Extraction, por ejemplo un Boolean para "reunión concertada" o un Selector para el resultado de la llamada, de modo que todas las llamadas se etiqueten igual.
  • Cambia una sola capa. Clona el agente y cambia solo la voz, o solo Expressive mode. Mantén el prompt idéntico, o no sabrás qué ha movido la cifra.
  • Reparte el tráfico en directo. A/B Testing en el número de teléfono envía un porcentaje de llamadas a cada agente, por ejemplo 80/20 o 50/50, y está documentado tanto para llamadas salientes como entrantes.
  • Compara en Analytics. Filtra por agente y versión, y representa tu campo personalizado junto al número de llamadas, la tasa de éxito de las llamadas y la duración.
  • Puntúa el audio además del resultado. AI QA evalúa una muestra de llamadas reales, y su métrica Agent Naturalness usa tanto el audio como la transcripción para señalar velocidad o entonación poco naturales, errores de pronunciación y fallos. El campo integrado user_sentiment se infiere solo a partir de la transcripción, así que no lo interpretes como una valoración del tono.
  • Fija de antemano la regla de parada. Decide el número mínimo de llamadas conectadas por variante y la diferencia que cambiaría tu decisión. Anota ambas cosas antes del lanzamiento.

Si la variante más expresiva no convierte mejor, la voz no era tu limitación. Revisa a continuación la lista, la oferta y la pregunta de apertura. Si convierte mejor, tienes una cifra con la que defender la elección. El mismo ciclo se aplica cuando pasas de la demo a producción.

¿Qué deberías preguntar a un proveedor sobre la voz antes de un piloto?

Haz preguntas cuyas respuestas puedas verificar en el producto durante el piloto:

  1. ¿Qué ajustes cambian la entonación y cuáles solo cambian la redacción?
  2. ¿Funciona la entonación expresiva con la voz y los idiomas que pensamos usar, incluida una voz clonada?
  3. ¿Pueden cambiar el volumen, el ritmo o el tono dentro de una llamada, y qué provoca ese cambio?
  4. ¿Podemos repartir tráfico saliente real entre dos configuraciones de voz y ver la conversión por variante?
  5. ¿Qué métricas de calidad escuchan el audio y cuáles solo leen la transcripción?
  6. Cuando una llamada necesita a una persona, ¿cómo suena el traspaso para el cliente potencial?

Un proveedor que responde con una grabación de demo pulida ha respondido a otra pregunta.

Demuestra la voz en tus propias llamadas

A diferencia de los sistemas optimizados solo para un habla realista, Retell está creada para toda la conversación: la voz, el timing que la rodea, el traspaso a una persona y la medición que te dice si algo de ello ha convertido. Descubre cómo encajan las piezas en la página de agentes de voz con IA y cómo AI QA puntúa llamadas reales. Después, haz un piloto con llamadas reales, dos configuraciones de voz y tu propio evento de conversión, y decide a partir de esa cifra antes de firmar nada.

Calculadora de ROI
Estima tu ROI al automatizar las llamadas

Descubre cuánto podría ahorrar tu empresa al pasar a agentes de voz impulsados por IA.

¡Listo! 
Tu envío se ha mandado a tu correo electrónico
¡Vaya! Algo salió mal al enviar el formulario.
   1
   8
20
¡Vaya! Algo salió mal al enviar el formulario.

Resultado del ROI

2,000

Total Human Agent Cost

$5,000
/month

AI Agent Cost

$3,000
/month

Estimated Savings

$2,000
/month

Estimate your monthly voice AI cost

$  0.11
Thank you! Your submission has been received!
Oops! Something went wrong while submitting the form.
Estimated monthly cost
$1,408
12,800 conversation minutes

Revoluciona tu operación de llamadas con Retell