¿Con qué voz debe hablar su agente?

Elija la voz con una llamada real

Semanas después, su nuevo agente de voz IA llama a una clienta con la voz que eligieron en aquella reunión. Ella está en una parada de autobús, con el tráfico pasando a su lado. La voz empieza a leerle la hora de entrega y ella cuelga antes de que llegue a la dirección.

Si tiene que elegir la voz con la que su agente de voz IA llamará a sus clientes, elíjala como la oirán ellos: por teléfono, en una llamada entera y en los momentos en que sus llamadas se complican. Decida según lo que no se podrá cambiar después, que es el carácter de la voz, y deje la pronunciación y el ritmo para más adelante. Después ponga a prueba sus dos mejores voces en las mismas llamadas reales y quédese con la que consiga que más clientes sigan al teléfono hasta aceptar lo que se les pide, por ejemplo una hora de entrega.

¿Por qué engaña la voz de la demo?

Una página de demos está hecha para que cada voz luzca en su mejor versión. Todas las voces sintéticas de la página leen una frase de demo que ha elegido el proveedor, de unos seis segundos y limpia como una grabación de estudio, y en la reunión la escuchan en una sala silenciosa.

Su cliente oye la voz de su agente por una línea telefónica, por la que pasa menos voz que por unos auriculares o un portátil, y puede estar en plena calle o en una tienda mientras la voz le habla. La llamada dura dos o tres minutos y en ella la voz lee los datos del propio cliente, no una frase pulida: su nombre, una franja de entrega, una dirección y un número de pedido. Si el cliente dice «¿Perdón?», la voz tiene que repetirlo.

Hay voces que ganan en la reunión y pierden en esa línea. Una voz brillante, con mucho aire, puede sonar de maravilla en un portátil y quedarse fina por teléfono, sobre todo en la calle. Una voz de locutor, de esas tan pulidas que se oyen en los anuncios de radio y en los audiolibros, puede seguir perfectamente clara por teléfono y aun así sonar a grabación, y cuando alguien oye una grabación, cuelga.

La voz es solo una parte de lo que separa una demo de una llamada real. El resto está en nuestro artículo sobre agentes que superan la demo y fallan en las llamadas reales.

¿Cómo debe sonar la voz?

Lo primero es el idioma. La voz tiene que ser la de un hablante nativo del idioma de sus clientes y de la variedad regional que hablan. El español de España y el de México se distinguen al instante, así que una voz que encaja con los clientes de Madrid desentona con los de Ciudad de México, y al revés, por muy bien que suene.

Después piense en el asesor con quien sus clientes se quedan más a gusto al teléfono y busque una voz cotidiana como la suya, la de alguien de su equipo hablando, no una voz de locutor. Elija la voz que elija, ajústela a un ritmo regular que se tome algo más de calma con las horas y los números, para que el cliente pueda anotarlos.

La voz también tiene que encajar con el perfil de voz del agente, el nombre y el tono con que se presenta. Un agente que se llama Sara necesita una voz de mujer. Sonar natural no es hacerse pasar por una persona: donde su mercado lo exija, el agente dice en el saludo que es una IA, tenga la voz que tenga.

¿Qué momentos hay que probar?

Pongamos el caso de [tienda], una tienda online de muebles. La tienda, las personas, el panel, las puntuaciones y las llamadas de este artículo son un ejemplo, no datos reales. El día antes de cada entrega, el agente de IA de [tienda] llama al cliente para confirmar la franja de entrega y la dirección. Marta, responsable de atención al cliente de [tienda], tiene una preselección de tres voces de la página de demos del proveedor, todas de mujer porque el agente se presenta como Sara. En la reunión, a todos les gustó más la Voz C, una voz brillante y con mucho aire.

Empiece, como Marta, por la llamada que más hace su agente. Marta escribe la llamada de entrega de [tienda] algo más larga de lo normal, para que dure unos tres minutos y recoja todos los momentos difíciles, y reproduce esta llamada de prueba con cada voz en su propio móvil, una vez en la oficina y otra en la calle.

La llamada de prueba empieza con «Hola, soy Sara, la asistente de IA de [tienda]». Sara comprueba que habla con la señora Zubizarreta, una clienta de la lista de [tienda] con un apellido difícil de decir, y le dice que su sofá llega «mañana, jueves, entre las 9:00 y las 12:00» a su domicilio, en la calle Mayor 14. Después lee el número de pedido en dos grupos, 4471 2093. La clienta dice «¿Perdón?» y Sara lo repite más despacio. Luego la clienta pregunta si puede ser por la tarde, pero mañana por la tarde no queda hueco, así que Sara se disculpa y le ofrece el lunes entre las 13:00 y las 16:00. La clienta acepta, Sara repasa el día, la franja y la dirección, y se despiden.

Una frase de demo dura unos seis segundos, más o menos lo mismo que el saludo. La reunión juzgó las voces por ese primer momento y no oyó ninguno de los otros siete.

¿Cómo se puntúa la preselección?

Marta reúne a un panel de escucha de cinco personas: dos asesores que hablan a diario con los clientes de [tienda], ella misma, un coordinador de reparto que sabe de qué se quejan los clientes y una persona ajena al proyecto. Escuchan a ciegas la Voz A, la Voz B y la Voz C, sin nombres de proveedores ni precios. Cada uno oye la llamada de prueba entera en un teléfono y puntúa cada voz de 1 a 5 en cinco preguntas.

Las tres voces leen la llamada de prueba con los mismos ajustes, el mismo ritmo y la misma forma de agrupar los números, así que cualquier diferencia que oiga el panel viene de la propia voz. En la tabla «Cómo puntuó el panel a tres voces», cada casilla suma las puntuaciones de los cinco oyentes, así que va de 5 a 25, y el total, de 25 a 125.

La Voz C, la favorita de la reunión, quedó última por teléfono, con 75 de 125. Fue la que peor se seguía, con 12 de 25, y la que dejaba los números y las horas menos claros, con 13. El brillo que sonaba tan nítido en el portátil se quedó fino en la línea telefónica.

La Voz A, la voz de locutor de la preselección, fue la más clara de las tres en números y horas, con 21 de 25, y la peor en el minuto tres, con 11. También sacó solo 14 en sonar a alguien de aquí, y dos oyentes escribieron «suena a anuncio» junto a ella.

La Voz B sacó 103 de 125 y quedó primera en cuatro de las cinco preguntas. La Voz A solo la superó en números y horas, 21 de 25 frente a 20.

La fila de nombres y marca salió casi igualada, con 18, 19 y 18 de 25, porque las tres voces se equivocaron igual con el apellido de la señora Zubizarreta.

Marta se queda con las dos voces de mejor total, la Voz B y la Voz A, para probarlas en llamadas reales. A dos oyentes la Voz A les sonó a anuncio, y solo las llamadas reales pueden demostrar si los clientes le cuelgan.

¿Qué se puede ajustar después?

Elija según el carácter de la voz, porque los ajustes se pueden cambiar después, con la voz que sea. Las reglas de pronunciación fijan cómo dice la voz los nombres, los lugares, su marca y los términos de sus productos. El ritmo, las pausas y la forma de agrupar los números, incluidos los de pedido, también son ajustes.

Por eso la fila de nombres de la tabla de Marta no debería decidir nada. El apellido falló en la pronunciación, y una sola regla lo deja bien en cualquiera de las tres voces. Escribir reglas así es el tema de nuestro artículo sobre diccionarios de pronunciación para nombres, marcas y productos.

El carácter viene con la voz. Cómo suena por una línea telefónica, si suena a locutor y si sigue siendo cómoda de escuchar en el minuto tres no cambian con ningún ajuste. Bajar el ritmo de la Voz C no le dará más cuerpo por teléfono, y ningún ajuste impide que la Voz A suene a anuncio.

¿Con qué voz se quedan los clientes?

Durante dos semanas, cada cliente de la lista de entregas de [tienda] recibe la llamada de la Voz A o de la Voz B al azar, con el mismo guion y en el mismo horario, de modo que la voz es lo único que cambia. Al final de las dos semanas, cada voz suma 400 llamadas atendidas. Marta no compara antes, porque unas pocas decenas de llamadas por voz serían insuficientes.

Marta clasifica cada llamada atendida en uno de tres resultados que suman 400. El cliente que cuelga en los diez primeros segundos va a «Colgaron al inicio», y el que acepta una franja de entrega, la prevista o una nueva, va a «Confirmaron una franja». Cualquier otro final, por ejemplo que el cliente pida hablar con una persona, que se corte la línea o que no se acuerde ninguna franja, va a «Otros». Aparte, Marta cuenta a los clientes que pidieron repetir al menos una vez. Un cliente puede pedirlo y confirmar igualmente una franja, así que la columna «Pidieron repetir» no forma parte de las 400.

Con la Voz B, 338 de 400 clientes confirmaron una franja, frente a 296 con la Voz A, es decir, 42 clientes más aceptaron una franja de entrega. Además, con la Voz B colgaron al inicio menos clientes, 44 frente a 72, y 18 llamadas acabaron de otra manera, frente a 32 con la Voz A.

Todos los clientes que pidieron repetir habían seguido al teléfono pasados los diez primeros segundos, así que la comparación justa se hace con esos clientes: 36 de 328 con la Voz A frente a 41 de 356 con la Voz B, casi la misma proporción. Siguieron la voz de locutor casi igual de bien, y aun así a la Voz A le colgaron más clientes en los diez primeros segundos.

Aquí los clientes coincidieron con el panel, y Marta se queda con la Voz B para todas las llamadas de entrega de [tienda].

¿Dónde encaja DRING?

En el núcleo de voz a voz de DRING, cada marca elige una voz seleccionada de la biblioteca para cada idioma, con un perfil de voz para el ritmo, la formalidad y el tono, corrección de acento y un diccionario de pronunciación para nombres, lugares y términos de producto. Antes de que salga ninguna llamada, usted aprueba el guion, el perfil de voz y la propia voz.

Lo que da resultado, ya sea la frase de apertura, el tono o la voz, se decide en llamadas salientes reales, no en una reunión. En las campañas salientes de DRING, dos voces pueden funcionar en paralelo dentro de la misma campaña para comparar resultados. Las muestras de voz de nuestra página de inicio son demos de procesos de DRING. Escúchelas en el móvil, no en el portátil.