✨¿Quieres ver tu agente de IA funcionando?Escríbenos por WhatsApp →
¡Escríbenos por WhatsApp!
Inteligencia artificial

Cómo la IA ayuda a entender notas de voz

Qué pasa cuando un cliente manda un audio en vez de escribir, por qué no es lo mismo escuchar el audio que leer su transcripción, qué se pierde y cómo dejar configurado lo que importa.

Marcela OversluijsHead of Growth & Marketing6 min de lectura
Cómo la IA ayuda a entender notas de voz

Una buena parte de las consultas de venta por WhatsApp no llegan escritas. Llegan como un audio de cuarenta segundos grabado en la calle, con el nombre del producto a medio pronunciar y la dirección dicha de corrido al final. Si el sistema que atiende ese chat no entiende audios, lo que tienes no es automatización: tienes una persona transcribiendo notas de voz a mano.

Qué hace exactamente la IA con una nota de voz

La escucha. En el agente de Nubot, el audio que manda el cliente —hasta 10 MB— se le pasa directamente al modelo junto con el resto del mensaje, sin pasar antes por una transcripción. El agente no lee un texto que alguien convirtió del audio: procesa el audio.

A partir de ahí el audio se comporta como cualquier otro mensaje: antes de responder, el agente busca de forma automática en la base de conocimiento de la empresa, puede consultar el catálogo si tiene activada la búsqueda de productos, y puede ejecutar las acciones que tengas habilitadas. Un cliente puede pedir un producto por voz y terminar con un pedido en borrador, sin haber escrito una palabra.

Por qué «sin transcribir antes» cambia el resultado

Parece un detalle de arquitectura y es la diferencia entre que funcione y que no. Una transcripción es una traducción con pérdida: convierte sonido en texto y, en ese paso, decide. Decide cómo se escribe un nombre propio, si «dos cincuenta» son dos con cincuenta o doscientos cincuenta, si lo que se oyó detrás del ruido era el nombre de tu producto o el de otro.

Cuando hay un paso intermedio de transcripción, el modelo que responde recibe ya esas decisiones tomadas y no tiene forma de revisarlas: el audio original no le llega. Un error de transcripción se vuelve un hecho. Cuando el audio llega entero, en cambio, lo que el modelo tiene delante es la grabación, con sus titubeos, sus correcciones a mitad de frase y el contexto sonoro que hace entendible lo que de otro modo sería ambiguo.

Eso aparece en los casos que realmente importan en una venta: direcciones dictadas, cantidades, nombres de modelos, un cliente que empieza diciendo una talla y se corrige tres segundos después. Es también donde más duele equivocarse, porque el pedido se arma con ese dato.

Lo que la IA no saca de un audio

Hay tres límites concretos, y conviene conocerlos antes de diseñar el flujo alrededor de ellos.

  • No vuelve a escuchar los audios anteriores. El agente entiende el audio del turno actual. De los mensajes previos de la conversación ya no ve los archivos: solo le queda una marca de que se envió un archivo, con su pie de foto si lo tenía. El audio no se guarda en su memoria de trabajo.
  • No lee documentos. Entiende notas de voz, imágenes y videos; el contenido de un PDF o de un Word, no.
  • No rellena huecos. Sus reglas base le prohíben inventar precios, cantidades, fechas o disponibilidad. Si el audio no dice el talle, el agente no lo supone: pregunta. Eso es lo correcto, aunque alargue la conversación un turno.

El primer límite es el que más cambia la forma de trabajar, y tiene una consecuencia práctica. Si el cliente dicta su dirección en un audio y cuatro mensajes después pregunta «¿entonces a dónde me lo mandan?», el agente no puede volver al audio a buscarla. Lo que sí vuelve a leer son los últimos 40 mensajes de la conversación, incluidos los suyos. Por eso la regla de diseño es sencilla: que el agente repita por escrito lo que entendió del audio.

«Anoto: dos unidades del modelo azul, entrega en Av. Primavera 1234, San Borja. ¿Está bien?» hace dos cosas a la vez. Le da al cliente la oportunidad de corregir en el acto, y deja el dato convertido en texto dentro de la conversación, donde el agente sí lo va a encontrar más adelante.

Qué configurar para que las notas de voz sirvan de verdad

  • Pide confirmación de los datos que van a un pedido. En las instrucciones del agente, que todo dato dictado por voz —dirección, cantidad, modelo, fecha— se repita por escrito antes de usarlo.
  • Pasa a la ficha lo que tiene que sobrevivir a la conversación. Entre conversaciones el agente solo conserva la ficha del contacto: nombre, teléfono, correo, dirección, etiquetas y campos personalizados. La dirección dictada no la escribe él ahí: la pasa una persona desde el panel, y hacerlo al cerrar el chat es lo que evita volver a pedirla la próxima vez.
  • Ten activado el traspaso a una persona. Es un interruptor por agente, y también puedes poner un límite de turnos por conversación: al llegar a él, el agente deja de responder con IA y avisa de que conecta con un asesor.
  • Escucha los audios que peor salieron. Una vez por semana, abre las conversaciones que terminaron en traspaso y escucha el audio original. Vas a encontrar vocabulario de tu rubro que falta en la base de conocimiento, no un defecto del modelo.

Cuándo conviene que escuche una persona

Entender el audio y ser el interlocutor adecuado son dos cosas distintas. Hay situaciones donde el audio se entiende perfectamente y la respuesta correcta sigue siendo pasarlo a alguien de tu equipo:

  • Un reclamo. El cliente que graba un audio enojado no quiere una respuesta correcta, quiere una respuesta de alguien. Que el agente lo derive rápido vale más que cualquier redacción.
  • Audios largos que mezclan varios temas. Un mensaje de tres minutos con un reclamo, un pedido nuevo y una consulta de garantía se responde mejor por partes, y conviene que alguien decida el orden.
  • Cuando lo que decide la venta no está en el catálogo. Una combinación a medida, una excepción de precio o un caso que exige criterio no se resuelve escuchando mejor.

En esos tres casos lo que necesitas no es un modelo mejor, es que el traspaso funcione: el agente pasa la conversación a una persona, la asigna al mejor asesor disponible y, si no hay nadie conectado, la deja en cola de espera. Dentro de la bandeja de un CRM para WhatsApp, el asesor que recibe el chat ve lo que ya se conversó y puede dejar notas internas que solo ve el equipo.

Un detalle de tiempos que conviene tener presente: la ventana de atención de 24 horas de WhatsApp se abre y se reinicia cada vez que el cliente te escribe o te llama, y fuera de ella solo se pueden enviar plantillas aprobadas. Un audio entrante abre esa ventana igual que un texto; dejarlo sin responder durante un día la cierra.

Por dónde empezar

Entender notas de voz no es una función que se activa: viene con el agente de IA para WhatsApp. Lo que sí se configura es el resto: la base de conocimiento que consulta antes de responder, la búsqueda de productos si quieres que hable del catálogo, el traspaso a humano y el límite de turnos. La búsqueda de productos y el traspaso a humano se activan por agente desde el panel.

La prueba que vale es con tus propios audios. Graba cinco notas de voz como las que te manda tu cliente real —en la calle, rápido, con el vocabulario de tu rubro— y mándalas al agente. Lo que no entienda te va a decir exactamente qué falta escribir en la base de conocimiento. Para hacerla, Nubot tiene una prueba gratuita de 365 días, el plan FREE, que se activa sin tarjeta de crédito.

Preguntas frecuentes

¿La IA transcribe la nota de voz antes de responderla?

En el agente de Nubot, no: el audio del cliente se le pasa directamente al modelo, sin transcripción previa. La diferencia importa porque una transcripción es una traducción con pérdida, y todo lo que se pierde ahí ya no se recupera. El agente responde a lo que escuchó, no a una versión de texto de lo que escuchó.

¿Qué pasa si el audio es muy largo?

Hay un tope de tamaño: el audio del cliente se procesa hasta 10 MB. Los audios de una conversación normal de venta están muy por debajo de eso. Si recibes con frecuencia notas de voz larguísimas, el problema que tienes no es técnico: es que la conversación necesita una pregunta concreta que acote lo que el cliente va a contar.

¿La IA entiende audios en otros idiomas?

El agente detecta el idioma del cliente y le responde en ese idioma, con el español por defecto; no hay un ajuste de idioma por agente. Ten en cuenta que algunos textos fijos del sistema salen siempre en español sin traducir, por ejemplo el aviso de que la conversación pasa a un asesor.

¿La IA también entiende fotos y videos?

Sí: las imágenes y los videos que el cliente manda en el turno actual se le pasan al modelo junto con el mensaje, igual que el audio. Lo que no lee es el contenido de un PDF o un Word. Si tu operación depende de que alguien revise documentos que llegan por chat, eso sigue siendo trabajo de una persona.

¿Puede la IA inventar algo que el cliente no dijo en el audio?

Las reglas base del agente le prohíben inventar precios, cantidades, fechas o disponibilidad, y antes de cada respuesta busca en la base de conocimiento de la empresa. Dicho eso, un audio confuso se entiende de forma confusa, igual que lo entendería una persona. Por eso conviene que el agente repita lo que entendió en su respuesta: así el cliente corrige en el acto, y la corrección queda escrita.

¿Me conviene pedirles a los clientes que escriban en vez de mandar audios?

No, y casi nunca funciona. Quien manda audios lo hace porque está conduciendo, cargando cajas o le resulta más rápido que escribir; pedirle que cambie añade una fricción justo en el momento en que estaba por preguntar un precio. Es más barato que el sistema entienda el audio que convencer al cliente de que escriba.

Fuentes

  1. 1.Meta for Developers — Precios y ventana de atención · Noviembre 18, 2026

Por qué Nubot

Cómo lo resuelve Nubot

Un agente de IA que responde por WhatsApp con tu catálogo y tu base de conocimiento, califica leads, toma pedidos y agenda citas, y pasa a tu equipo lo que necesita criterio humano. Se configura desde el panel, sin escribir código.