IA de voz multilingüe: qué significa de verdad hablar 62 idiomas

Un recuento de idiomas solo sirve si es honesto con lo que cuenta. El inventario técnico confirmado de DRING abarca 62 idiomas en voz, WhatsApp, SMS y email. Ese inventario describe las configuraciones de voz y mensajería que pueden montarse con los componentes del producto. No significa que todos los idiomas tengan la misma voz, la misma cobertura de variantes, el mismo rendimiento telefónico ni el mismo nivel de pruebas en producción.

Para el lanzamiento público, DRING recomienda un conjunto deliberadamente más pequeño: inglés con variantes de Reino Unido, Australia y Singapur; turco; alemán; francés; neerlandés; español; árabe de Emiratos; italiano; portugués europeo; y polaco. Cada variante y cada proceso solicitados se validan en la ruta telefónica real antes de pasar a producción. El resultado es una promesa más clara: un alcance técnico amplio y un conjunto más reducido, con calidad asegurada, que se gana el derecho a figurar en público a base de pruebas.

Esta distinción importa a quien dirige atención al cliente y está eligiendo un agente de voz, pero también a la cualificación comercial, la reserva de citas, la logística, la coordinación sanitaria, el soporte financiero, los procesos de RR. HH., las encuestas y la reactivación. El agente no tiene éxito porque sepa pronunciar un saludo. Tiene éxito cuando quien llama puede completar la gestión prevista, el sistema registra el resultado correcto y una persona recibe el contexto adecuado cuando el proceso llega a su límite.

Capacidad no es lo mismo que calidad en producción

La documentación de un proveedor suele responder a una pregunta de compatibilidad: ¿puede un modelo aceptar o generar un código de idioma? Quien compra para producción necesita una respuesta más exigente. ¿Sigue siendo inteligible la voz elegida a través de una ruta telefónica de 8 kHz? ¿Capta el reconocimiento de voz el nombre de una empresa, un número de pedido y una dirección local? ¿Entiende el agente una interrupción, usa bien una herramienta y pasa una llamada difícil a una persona sin perder el caso?

Son capas distintas. Un proveedor de síntesis de voz puede listar un idioma y, aun así, DRING no tener una voz aprobada para una variante concreta. Un modelo de reconocimiento de voz puede listar un idioma mientras un operador, un códec, un perfil de ruido o una velocidad de habla concretos generan errores. Una transcripción fluida puede acabar en un argumento de herramienta equivocado. Una voz natural puede leer mal un número. Por eso la única decisión de producto defendible es la que se apoya en una combinación probada de idioma, variante, proceso, modelo STT, modelo TTS, prompt, glosario, ruta telefónica y alternativa de respaldo.

La página pública de idiomas debería hacer visibles esas pruebas. Debería indicar si un idioma está recomendado para el lanzamiento, disponible bajo petición o en fase experimental; qué variante se probó; cuándo se revisó por última vez; qué procesos entran en el alcance; y qué ocurre cuando el reconocimiento o la selección de idioma no son fiables.

La arquitectura de audio: tres trabajos separados

Una llamada multilingüe de DRING se entiende mejor como una cadena:

audio telefónico -> reconocimiento de voz (STT) -> cerebro de texto y razonamiento GPT-5.6 -> síntesis de voz (TTS) -> audio telefónico

El modelo de texto y razonamiento GPT-5.6 elegido no es STT ni TTS. La documentación actual del modelo GPT-5.6 de OpenAI indica entrada y salida de texto, entrada de imagen y audio no admitido. GPT-5.6 puede ser el cerebro que razona y usa herramientas una vez llega la transcripción. Puede elegir un proceso, aplicar una política, decidir si hace falta una pregunta aclaratoria, llamar a una herramienta aprobada y redactar la respuesta. No oye por sí mismo la señal telefónica ni sintetiza la respuesta hablada.

OpenAI documenta por separado los modelos con audio, entre ellos gpt-realtime-2.1 y gpt-audio-1.5. Esos modelos no son intercambiables con lo que se afirma de GPT-5.6 como modelo de texto y razonamiento. La web de DRING debería nombrar los proveedores reales de STT y TTS de cada ruta de voz y no dar a entender que GPT-5.6 aporta el micrófono, el reconocimiento telefónico o la voz.

Esta separación también hace que las pruebas sirvan más. Los errores de reconocimiento pertenecen al STT y a la ruta de audio. La pronunciación y la naturalidad pertenecen a la voz TTS y a la normalización del texto. Las decisiones equivocadas, los incumplimientos de política y las llamadas incorrectas a herramientas pertenecen al razonamiento y al proceso. Una prueba de llamada completa debe medir las tres capas sin esconder ninguna detrás de un porcentaje de éxito global. Consulte la plataforma DRING para ver cómo se conecta todo el proceso.

Comparativa de proveedores para el trabajo telefónico multilingüe

Son capacidades documentadas por los proveedores, no puntuaciones de rendimiento de DRING. Por ejemplo, ElevenLabs documenta mu-law y A-law a 8 kHz como formatos de salida optimizados para telefonía, pero eso no demuestra que la voz elegida vaya a sonar natural tras la codificación. Deepgram documenta su cobertura y sus controles de idioma, pero eso no establece el perfil de errores de un proceso en turco, árabe de Emiratos o polaco con un operador concreto. El proceso de calidad y pruebas es donde una afirmación de compatibilidad se convierte en una decisión de lanzamiento.

El conjunto de idiomas recomendado

El conjunto recomendado es una decisión de mercado y de pruebas, no una clasificación de las lenguas. Combina los mercados de captación que DRING ha nombrado con la cobertura documentada de los proveedores y con una capacidad realista de reclutar revisores nativos, reunir terminología y probar llamadas telefónicas.

Dónde encaja el búlgaro

El búlgaro queda explícitamente como validado bajo petición: ni descartado ni contado a escondidas como prioridad pública. ElevenLabs documenta el búlgaro en Multilingual v2. Deepgram lo documenta en Nova-3 y Nova-2, aunque queda fuera del conjunto de Flux multilingual. Eso convierte al búlgaro en una petición técnicamente creíble, con una opción de modelo real, pero sin pruebas suficientes para una afirmación pública general sobre su calidad.

Un piloto con un cliente búlgaro necesita una voz bg-BG decidida, un panel de revisores nativos, nombres búlgaros de empresas y lugares, pruebas de números y direcciones, una lista de términos clave, traspaso a una persona, un idioma de respaldo y un registro de versión con fecha. Si la ficha supera el mismo control telefónico que el nivel 1, el búlgaro puede subir de nivel sin cambiar la capacidad general de 62 idiomas.

Niveles de idioma y política de lanzamiento

Recomendados para el lanzamiento público: inglés con tres variantes, turco, alemán, francés, neerlandés, español, árabe de Emiratos, italiano, portugués europeo y polaco. Son los únicos idiomas recomendados para destacar la calidad en los textos de lanzamiento, y solo en los procesos y variantes que han superado el control.

Validados bajo petición: búlgaro, rumano, checo, griego, húngaro, croata, eslovaco, ucraniano, danés, sueco, finés y noruego son candidatos razonables para clientes concretos, porque las rutas de proveedor necesarias están documentadas. Necesitan una ficha de idioma, revisores nativos y una prueba telefónica completa antes de cualquier promesa en producción. La misma regla vale para cualquier idioma prioritario cuando un cliente pide una variante, un operador o un proceso nuevos.

Experimentales o en reserva: idiomas minoritarios que dependen sobre todo de la amplia cobertura TTS de Eleven v3, que no tienen una ruta STT en tiempo real de Deepgram probada para el proceso, que carecen de una voz telefónica aprobada o que no tienen revisión nativa. Aquí pueden entrar variantes de árabe no probadas, variantes de chino, japonés, coreano, hindi, ruso, vietnamita, indonesio, malayo, filipino y tamil. Experimental significa que es posible un piloto técnico o con un cliente; no significa una calidad pública equivalente.

Método de validación por proceso

No pruebe un idioma con un saludo traducido y unas cuantas preguntas de cortesía. Primero hay que cerrar el contrato completo de la llamada: resultado previsto, intenciones dentro del alcance, acciones prohibidas, sistemas de referencia, herramientas, cola de personas, consentimiento o aviso, horario comercial, idioma de respaldo y terminología crítica. Un flujo de soporte, uno de cualificación de leads y uno de coordinación sanitaria necesitan casos de prueba distintos aunque usen el mismo idioma.

Prepare una ficha de idioma con la variante, el modelo STT, el modelo TTS, el ID de voz, la versión del prompt, la versión del diccionario de pronunciación, los términos clave, el operador y el códec telefónicos, la ruta de respaldo, la fecha de prueba y los responsables. Use ejemplos con consentimiento o sintéticos que reflejen el mercado real. Incluya nombres de clientes, nombres de empresas, direcciones, nombres de producto, abreviaturas, monedas locales, fechas, referencias y términos que el proceso deba captar con exactitud.

Ejecute la batería de pruebas en tres pasadas. Primero, pruebe STT y TTS por separado: ¿conserva la transcripción los términos y entiende un oyente nativo la respuesta generada? Segundo, pruebe la capa de razonamiento y herramientas con transcripciones fijas: ¿aplica GPT-5.6 la política, hace la pregunta correcta y elige los argumentos de herramienta adecuados? Tercero, pruebe el circuito telefónico completo con interrupciones, ruido, silencios, cortes del interlocutor, correcciones, retrasos de herramientas y traspaso. Una buena nota aislada no salva una llamada que falla de principio a fin.

Agent Factory debería convertir las llamadas revisadas en casos de regresión. Una corrección de pronunciación, un cambio de modelo, un cambio de telefonía, una actualización de términos clave o una edición del prompt deberían probarse contra los casos existentes antes de ampliar el tráfico. Conserve disponible la configuración anterior y registre la decisión del revisor, no solo un porcentaje de aprobados.

El control de lanzamiento medible

Los umbrales siguientes son criterios de lanzamiento propuestos por DRING, no garantías de los proveedores ni puntuaciones que DRING afirme tener. Ejecute al menos 120 turnos de interlocutor guionizados por idioma, tres hablantes nativos por variante, 30 términos de negocio, 30 nombres o identificadores estructurados, 20 escenarios de herramientas y casos de interrupción. Use al menos tres oyentes nativos independientes para revisar la voz y un cuarto que arbitre los desacuerdos críticos.

• WER y recuperación de términos clave: objetivo de WER igual o inferior al 12 % en el conjunto telefónico y recuperación de términos clave igual o superior al 95 % en el vocabulario aprobado. Son diagnósticos, no la decisión por sí solos. Los términos clave pueden mejorar un vocabulario conocido mientras la conversación general sigue floja.
• MOS humano y naturalidad: media de al menos 4,0 sobre 5, sin que la media de ningún panel de variante baje de 3,7. Revise claridad, ritmo, pronunciación, seguridad, cortesía y si la voz suena a la variante prometida.
• Tarea completada: al menos el 90 % de las llamadas guionizadas alcanza el resultado de negocio previsto sin que una persona tenga que arreglarlo. Las rutas de consentimiento, baja, seguridad y traspaso obligatorio deben ser correctas al 100 %.
• Precisión de herramientas: al menos un 95 % de selección y argumentos de herramienta correctos en total, y un 98 % de exactitud en los valores visibles para el cliente o irreversibles. Una reserva equivocada dicha con fluidez o una escritura errónea en el CRM hacen fallar el lanzamiento.
• Gestión de interrupciones: al menos el 90 % de los casos de interrupción retoma el turno correcto sin hablar por encima del interlocutor, perder el contexto ni aceptar una instrucción que nadie ha dicho.
• Nombres y números: al menos un 98 % de captura y lectura de confirmación exactas en el conjunto crítico de teléfonos, fechas, importes, nombres, direcciones e identificadores. Un WER bajo con un solo número de teléfono mal sigue siendo inaceptable.
• Selección de idioma: al menos un 98 % de elección correcta del idioma en los casos con idioma esperado, con una vía explícita para que el interlocutor corrija y un respaldo determinista a una persona cuando la confianza es baja.
• Integridad del audio: ningún recorte repetido, pérdida de audio, regresión del códec ni tiempo de espera agotado en el turno dentro del conjunto de llamadas aceptado. Registre la latencia de respuesta p50 y p95 frente al SLA aprobado para el proceso.

El lanzamiento falla ante cualquier revelación no autorizada repetida, número crítico erróneo, tarea dada por completada sin estarlo, acción de herramienta insegura, baja no atendida, contexto de traspaso perdido o excepción sin responsable. Un error crítico no se compensa con la media de llamadas rutinarias fluidas. Un idioma puede superar un proceso concreto y seguir siendo «validado bajo petición» para las afirmaciones generales de producto.

Mezcla de idiomas, detección y matices de variante

En las llamadas de empresa es habitual mezclar idiomas. Un interlocutor turco puede usar el nombre de un producto en inglés. Uno neerlandés puede mencionar una plataforma global. Uno árabe puede usar unas siglas técnicas. Pruebe la mezcla real en lugar de suponer que un detector de idioma o un modelo multilingüe elegirá siempre la ruta prevista.

Cuando se conoce el idioma esperado, use una ruta específica o una indicación de idioma si el proveedor la documenta. Deepgram documenta indicaciones de idioma para Flux multilingual y parámetros de idioma para los modelos Nova. Cuando el idioma es realmente desconocido, la detección puede identificar el idioma dominante, pero el sistema necesita una experiencia de confirmación y corrección. Tras la detección, fijar el idioma elegido puede ser más predecible que dejar que cada turno se desvíe, mientras que los procesos realmente bilingües pueden necesitar varias indicaciones. Esa decisión se toma en el diseño de la llamada y en la batería de pruebas.

Los términos clave son valiosos para los nombres de producto de DRING, los sistemas del cliente, los sectores y el vocabulario del proceso. Deben mantenerse como un glosario controlado, no como una lista de todas las palabras de un idioma. Los diccionarios de pronunciación y los alias son útiles en el lado TTS, pero no arreglan una intención equivocada, una política que falta ni un mapeo de herramienta erróneo. Guarde en un único registro versionado la grafía original, la forma hablada, el significado, las alternativas prohibidas y la variante.

Las afirmaciones sobre variantes necesitan la misma disciplina. `en-GB`, `en-AU` y `en-SG` son pistas de validación, no etiquetas de idioma decorativas. `de-DE` no equivale automáticamente a `de-CH`. `fr-FR` no equivale automáticamente a `fr-CA`. `es-ES` no equivale automáticamente a `es-419`. `pt-PT` no equivale automáticamente a `pt-BR`. `ar-AE` no es una promesa para todos los mercados de habla árabe. Una etiqueta de variante debe acotar la promesa a las voces, la terminología y las pruebas de revisores que existen de verdad.

Casos de uso más allá de la recepción

La IA de voz multilingüe se gana su sitio cuando mantener el idioma quita trabajo a una operación real. Un agente de atención al cliente puede identificar una intención, consultar el estado aprobado de un pedido o una cuenta, responder dentro de la política y crear un traspaso a una persona con el idioma original y el contexto. Un agente comercial puede cualificar un lead, recoger plazos y volumen, responder a una objeción y dejar un briefing estructurado sin obligar al siguiente comercial a repetir la llamada de descubrimiento.

En la reserva de citas, el agente puede preguntar por el servicio adecuado, buscar disponibilidad aprobada, confirmar el hueco elegido y pasar las excepciones a una persona. En logística, puede recoger la referencia de un envío o una carga, informar del último punto de control aprobado, abrir una incidencia y pasar los datos correctos a tráfico. En coordinación sanitaria, puede recoger el contexto administrativo y concertar un siguiente paso aprobado, mientras envía las preguntas clínicas, urgentes o delicadas a la cola de personas adecuada.

Los equipos de finanzas pueden usar un agente acotado para consultas rutinarias de estado y el registro de casos, y dejar las decisiones de identidad, fraude, pagos y reclamaciones en manos del personal autorizado. Los equipos de RR. HH. pueden usarlo para cribados estructurados o para programar entrevistas, con una rúbrica revisada y un límite claro para la decisión humana. Las encuestas pueden recoger respuestas y clasificar temas, mientras las quejas, los casos de angustia y los asuntos urgentes van a una persona. WhatsApp, SMS y email pueden llevar el mismo contexto del caso después de la llamada, pero el contenido y las reglas de consentimiento de cada canal necesitan su propia revisión.

El patrón común no es «una sola voz para todo». Es un único modelo operativo con una expresión propia de cada idioma: datos de referencia, acciones aprobadas, resultados observables y un traspaso que conserva lo que dijo el cliente. Consulte la instantánea operativa de IA de voz para ver la diferencia entre una declaración general de capacidad y un indicador operativo respaldado por datos.

Cómo formular la afirmación en la web

Mantenga dos inventarios. El primero es el inventario técnico confirmado de 62 idiomas en el conjunto configurado de voz, WhatsApp, SMS y email. El segundo es el inventario recomendado, más pequeño y con calidad asegurada, que hoy abarca un número reducido de idiomas y solo se convierte en afirmación de producción por variante y por proceso después de probarlo.

Una formulación defendible para la web es:

DRING tiene un inventario técnico confirmado de 62 idiomas en voz, WhatsApp, SMS y email. Nuestro conjunto recomendado para el lanzamiento público es más pequeño: inglés con variantes de Reino Unido, Australia y Singapur, turco, alemán, francés, neerlandés, español, árabe de Emiratos, italiano, portugués europeo y polaco. Cada variante y cada proceso solicitados se validan en la ruta telefónica real antes de pasar a producción. Otros idiomas, incluido el búlgaro, están disponibles bajo petición tras una validación específica del proceso.

No afirme una calidad nativa o igual en los 62 idiomas, ni dé a entender que todos los modelos admiten todos los idiomas o que una etiqueta de idioma cubre todas sus variantes. No dé a entender que GPT-5.6 es un modelo de audio. No publique un WER, un MOS o una tasa de tareas completadas universales de DRING salvo que el conjunto de datos, el denominador, las versiones de modelo, la ruta telefónica y la fecha de revisión sean públicos y exactos. Dirija al lector al formulario de llamada para evaluar un idioma y un proceso, en lugar de prometer una variante sin probar.

Preguntas frecuentes

¿Significa la capacidad de 62 idiomas que los 62 están listos para producción?

No. Es un inventario de capacidad técnica en voz, WhatsApp, SMS y email. Estar listo para producción es algo más acotado y depende de la variante, el proceso, los modelos, la voz, la terminología, la ruta telefónica, la revisión nativa y el respaldo. El conjunto recomendado para el lanzamiento público abarca un número reducido de idiomas, y cada ruta de producción solicitada se valida por separado.

¿Qué papel tiene GPT-5.6 en un agente de voz?

GPT-5.6 puede actuar como cerebro de texto y razonamiento una vez transcrita la voz. Puede aplicar las reglas del proceso, redactar texto, elegir herramientas aprobadas y preparar un resultado estructurado. La documentación actual de OpenAI indica que GPT-5.6 no admite audio, así que STT y TTS siguen siendo componentes de audio separados.

¿Por qué el búlgaro es «validado bajo petición»?

El búlgaro figura expresamente en los catálogos de modelos documentados de ElevenLabs y Deepgram, así que es una petición creíble. Está fuera de los mercados de captación nombrados y del conjunto de Flux multilingual, y necesita sus propias pruebas telefónicas, de terminología, de oyentes nativos y de proceso antes de cualquier afirmación pública de calidad.

¿Bastan el WER y la recuperación de términos clave para elegir un idioma?

No. Ayudan a diagnosticar el reconocimiento, pero una llamada en producción también necesita naturalidad, un acento adecuado a la variante, tareas completadas, precisión en las herramientas, recuperación tras interrupciones, nombres y números exactos, selección de idioma, integridad del audio y un traspaso seguro a una persona. Una única puntuación agregada puede esconder un fallo crítico.

¿Puede una sola etiqueta de idioma cubrir todas sus variantes?

No. Use variantes como `en-GB`, `en-AU`, `en-SG`, `de-DE`, `fr-FR`, `es-ES`, `pt-PT` y `ar-AE` cuando esa sea la promesa probada. Añada una variante nueva solo cuando su voz, su terminología, su panel de interlocutores y su control de proceso estén completos.

Fuentes técnicas oficiales

• Modelos e idiomas admitidos de ElevenLabs
• Referencia de idiomas admitidos de ElevenLabs
• Idiomas, voces y acentos en ElevenLabs
• Diccionarios de pronunciación de ElevenLabs
• Ajustes de voz y formatos de telefonía de ElevenLabs
• Modelos e idiomas de Deepgram
• Flux multilingual e indicaciones de idioma de Deepgram
• Detección de idioma de Deepgram
• Keyterm prompting de Deepgram
• Idiomas de TTS de Deepgram
• Modalidades del modelo GPT-5.6 de OpenAI
• Guía de audio y voz de OpenAI

Los catálogos de los proveedores y el comportamiento de los modelos pueden cambiar. Antes de ampliar una afirmación de idioma, vuelva a comprobar la documentación oficial enlazada, los ID de modelo de la API elegidos y el registro real de pruebas de DRING.