Ir al contenido
Comparta un proceso. DRING le llama en dos minutos y cualifica la necesidad. Le llamamos en dos minutos
Le llamamos en 2 minutos Ver Agent Factory
Estudios explicados · Agentes de voz IA

¿Por qué a la IA le cuesta más la voz?

En el estudio τ-Voice, el mejor modelo de texto resolvió el 85 % de 278 tareas de atención al cliente, mientras que tres modelos de voz resolvieron del 31 al 51 % de esas mismas tareas en una línea telefónica limpia y del 26 al 38 % en una realista.

Mismas tareas, muchas menos resueltas

El agente respondió bien a todas las preguntas de la prueba por chat. Luego el mismo agente pasó a la línea telefónica y quienes llamaban empezaron a pedir que les pasaran con una persona.

Un estudio publicado en marzo de 2026 puso cifras a esa diferencia. τ-Voice (tau-Voice) planteó las mismas 278 tareas de atención al cliente en texto y en voz. En texto, el mejor modelo de texto del estudio resolvió el 85 % de ellas. Tres modelos de voz, con esas mismas tareas por una línea telefónica limpia, resolvieron del 31 al 51 %. En una línea realista, con acentos, ruido de fondo y un cliente que interrumpe, resolvieron del 26 al 38 %. Los autores lo describen como conservar del 30 al 45 % de lo que logra el texto.

Al comparar la IA de voz con la de texto, las tareas fueron las mismas, pero los modelos no: la cifra de texto sale de un modelo de texto y las de voz, de tres modelos de audio distintos.

¿Qué probó el estudio?

τ-Voice es un benchmark de IA de voz escrito por Soham Ray, Keshav Dhandhania y Victor Barres, de Sierra.ai (San Francisco), y por Karthik Narasimhan, de la Universidad de Princeton. Sierra crea agentes de IA para atención al cliente, así que el estudio viene del propio sector que mide. El artículo es un preprint y, en la fecha de esta publicación, no había pasado revisión por pares.

Las 278 tareas pertenecen a tres áreas: comercio minorista, aerolíneas y telecomunicaciones. En cada una hay un cliente con un objetivo, como cambiar un artículo o modificar una reserva, y un conjunto de normas de la empresa que el agente debe cumplir.

El estudio da una tarea por terminada solo cuando los registros de la empresa quedan en el estado correcto, con el pedido adecuado modificado o la reserva correcta actualizada. Una conversación agradable que no cambia nada, o que cambia lo que no toca, cuenta como fallo. Toda cifra de éxito en las tareas de esta página usa esa medida (pass@1 en el artículo: resuelta al primer intento).

En texto, un modelo de texto escribía con un cliente simulado. En voz, tres modelos de voz escuchaban y hablaban a la vez por una línea telefónica simulada, con audio de calidad telefónica, y el cliente simulado respondía hablando. Cada modelo de voz recibe audio y devuelve audio dentro de un único modelo. Los modelos de voz recibieron las mismas instrucciones, entre ellas la de pedir a los clientes que deletrearan nombres, correos e identificadores letra a letra.

Cada modelo de voz se probó en dos condiciones. En la línea limpia, el cliente tenía un acento estadounidense claro, sin ruido de fondo ni interrupciones. En la línea realista, los clientes hablaban con distintos acentos, con ruido de fondo en interiores y exteriores, sonidos repentinos y audio cortado o amortiguado, e interrumpían, decían «ajá», tosían o le decían «un momento» a otra persona.

¿Cuánto perdió la voz?

Éxito en las tareas, en texto y en voz
ÁreaTextoVoz, línea limpiaVoz, línea realista
Las 278 tareas85 %31 a 51 %26 a 38 %
Comercio minorista81 %45 a 71 %30 a 45 %
Aerolíneas83 %28 a 48 %30 a 40 %
Telecomunicaciones90 %20 a 58 %18 a 40 %

«Texto» es el mejor modelo de texto del estudio, GPT-5 con razonamiento. Un segundo modelo de texto del estudio, GPT-4.1, que responde sin razonar paso a paso, resolvió el 54 % de las 278 tareas. Las columnas de voz dan el resultado más bajo y el más alto de los tres modelos de voz probados, Google gemini-live-2.5-flash-native-audio, OpenAI gpt-realtime-1.5 y xAI grok-voice-agent. Fuente: τ-Voice, tabla 6.

Porcentaje de las 278 tareas resueltas en texto y en voz. Cada fila de voz va del más bajo al más alto de tres modelos de voz. Fuente: τ-Voice, 2026.

La mayor parte de la diferencia ya se había abierto en la línea limpia, antes de añadir ruido o acentos. Allí los tres modelos de voz quedaron entre 34 y 54 puntos por debajo del mejor modelo de texto, y en la mayoría de ellos pasar a la línea realista restó menos todavía.

¿Qué lo empeoró?

En las tareas de comercio minorista, los autores añadieron a la línea limpia el ruido, los acentos y las interrupciones de uno en uno y, después, los tres a la vez.

Lo que costó cada dificultad, tareas de comercio minorista
CondiciónÉxito en las tareasCambio respecto a la línea limpia
Limpia55 %
Limpia más ruido51 %4 puntos menos
Limpia más acentos44 %10 puntos menos
Limpia más interrupciones47 %7 puntos menos
Realista (las tres)38 %17 puntos menos

Media de los tres modelos de voz, solo tareas de comercio minorista. Los porcentajes y las diferencias aparecen tal como los redondea el artículo, así que una diferencia puede quedar 1 punto por encima o por debajo de la resta. Fuente: τ-Voice, tabla 7.

Éxito en las tareas de comercio minorista, media de tres modelos de voz, en la línea limpia y con ruido, acentos, interrupciones o las tres cosas añadidas. Fuente: τ-Voice, 2026.

Los acentos fueron lo que más costó de media, pero de forma muy desigual. Un modelo de voz perdió 1 punto con los acentos y otro perdió 18. Las interrupciones costaron 14 y 11 puntos a dos de los modelos, mientras que el tercero rindió algo mejor con ellas, 4 puntos más. El ruido por sí solo costó a cada modelo de voz entre 2 y 4 puntos.

Los autores puntuaron también cómo llevaban los modelos de voz la conversación en la línea realista. El que respondía a cada turno del cliente y cedía la palabra ante cada interrupción (100 %) solo ignoró correctamente los «ajá», las toses y las frases dirigidas a otra persona el 6 % de las veces, así que también respondía a sonidos que no eran para él. En opinión de los autores, ningún modelo de voz del estudio era bueno a la vez en terminar la tarea y en llevar el ir y venir de la conversación.

¿Dónde se rompían las llamadas?

Los autores leyeron a mano 91 conversaciones de voz fallidas, en dos grupos. De 43 conversaciones fallidas de tareas resueltas en texto pero fallidas en voz limpia, el agente causó 34 (79 %) y el cliente simulado 9 (21 %). De 48 conversaciones fallidas de tareas resueltas en voz limpia pero fallidas en voz realista, el agente causó 43 (90 %) y el cliente simulado 5 (10 %).

Qué falló en 91 llamadas fallidas
Error del agenteFalló en voz limpiaFalló solo en voz realista
Razonamiento erróneo o un paso omitido1316
Entendió mal lo que dijo el cliente1016
Dijo que había hecho algo que no hizo66
Dejó de responder14
Se quedó sin tiempo41
Errores del agente, total34 de 4343 de 48

En el artículo, las filas se llaman logical, transcription, hallucination, VAD/unresponsive y timeout. Fuente: τ-Voice, tabla 9.

En los dos grupos, la verificación de identidad fue el punto donde más fallaron las llamadas. Los agentes se equivocaban con nombres y correos aunque el cliente los deletreara letra a letra, como indicaban las instrucciones al agente. Sin el cliente identificado, la tarea no podía avanzar.

Otros fallos eran más discretos. En una conversación, el agente le dijo al cliente «He actualizado su dirección de envío» y no cambió nada en el sistema. También daban problemas las peticiones con varias partes: los agentes completaban una y se olvidaban del resto.

Oír mal no lo explica todo. En el grupo realista, el razonamiento erróneo y entender mal fueron igual de frecuentes, 16 de 48 fallos cada uno, y los autores concluyen que la diferencia entre voz y texto no es solo un problema de reconocimiento de voz. Cómo probar la parte de la escucha con sus propias llamadas está en nuestro artículo sobre cómo elegir el reconocimiento de voz.

¿Qué no demuestra?

El estudio se hizo solo en inglés. Los clientes eran simulados, con voces sintéticas, y los autores dicen que los resultados sobre acentos deben leerse como orientativos. También señalan que quienes llaman de verdad tienen menos paciencia que los simulados.

Midió si la tarea se completaba y cómo se repartían los turnos de palabra. No midió cómo sonaba el agente, si los clientes quedaban satisfechos ni las tareas completadas solo en parte.

Las cifras de texto y de voz salen de modelos distintos. El mejor modelo de texto puede razonar todo el tiempo que necesite antes de responder, mientras que un modelo de voz tiene que responder en tiempo real, así que parte de la diferencia viene del modelo y no de la línea telefónica.

Los tres modelos de voz son de un mismo tipo, que recibe y devuelve audio, en las versiones publicadas entre diciembre de 2025 y febrero de 2026. No se probaron agentes construidos con piezas separadas de reconocimiento de voz, razonamiento y síntesis de voz, así que estas cifras no dicen nada, ni a favor ni en contra, sobre ellos, y los autores los dejan como trabajo futuro. Además, los agentes trabajaron con un conjunto general de instrucciones y con las herramientas del benchmark, y un agente creado y probado para las llamadas de una empresa concreta es otro planteamiento, que el estudio no mide ni a favor ni en contra.

DRING no realizó este estudio ni se probó en él. Los modelos cambian deprisa y las cifras describen las versiones que se probaron.

¿Qué conviene probar primero?

Haga la prueba como una llamada telefónica. En el estudio, las mismas tareas puntuaron menos con audio de calidad telefónica que en texto, y menos aún al añadir acentos, ruido e interrupciones. Un chat de texto o el micrófono de un portátil se saltan ambas cosas, y quienes le llaman están en la columna «Voz, línea realista».

Empiece por la verificación de identidad, porque fue donde más se rompieron las llamadas fallidas del estudio. Reúna diez nombres, correos y números de pedido como los de quienes le llaman, léalos como los deletrean ellos y cuente cuántos acierta el agente.

Después de cada llamada de prueba, abra el sistema y mire el registro. Si el agente dijo que había cambiado una dirección, la nueva dirección tiene que estar ahí, que es justo lo que falló en el caso de la dirección de envío del estudio.

Después, endurezca las llamadas con lo que más éxito en las tareas quitó a los modelos de voz en el estudio. Use los acentos que de verdad tienen sus clientes. Pida a un probador que interrumpa, tosa y le diga «un momento» a un compañero a mitad de la llamada, y anote si el agente responde a la tos o a las frases dirigidas a otra persona. Luego plantee al agente una petición con tres partes y compruebe que se cumplen las tres.

Cuando un proveedor cite una cifra de éxito en las tareas de su agente de voz, pídala contada como la contó el estudio, por lo que cambió en el sistema y con audio telefónico. Para un plan completo, nuestra guía para probar un agente de voz IA antes de producción explica la batería de pruebas y los controles de lanzamiento.

¿Se puede citar esta página?

Sí. El artículo se publica bajo Creative Commons Atribución 4.0 Internacional (CC BY 4.0), y puede reutilizar este resumen en los mismos términos, citando primero el artículo. Cite el estudio así.

Ray, S., Dhandhania, K., Barres, V., Narasimhan, K. (2026). τ-Voice: Benchmarking Full-Duplex Voice Agents on Real-World Domains. arXiv:2603.13686.

El código del benchmark es público en GitHub. Si cita una cifra de esta página, mencione el artículo y añada esta línea.

Resumen: DRING, dring.ai/es/blog-voice-ai-vs-text-ai

Las cinco conclusiones, redactadas para que pueda citarlas tal cual:

  • En 278 tareas de atención al cliente, el mejor modelo de texto resolvió el 85 % y los tres modelos de voz resolvieron del 31 al 51 % en una línea limpia (τ-Voice, 2026).
  • En una línea realista, con acentos, ruido e interrupciones, los tres modelos de voz resolvieron del 26 al 38 %, lo que los autores describen como conservar del 30 al 45 % de lo que logra el texto (τ-Voice, 2026).
  • En las tareas de comercio minorista del estudio, los acentos costaron de media 10 puntos de éxito en las tareas a los tres modelos de voz, las interrupciones 7 y el ruido de fondo 4 (τ-Voice, 2026).
  • De las 91 llamadas de voz fallidas que los autores leyeron a mano, el 79 % de los fallos del primer grupo (tareas resueltas en texto pero fallidas en voz limpia) y el 90 % de los del segundo (resueltas en voz limpia pero fallidas en voz realista) fueron errores del propio agente, y la verificación de identidad fue el punto donde más fallaron las llamadas, con nombres y correos mal entendidos incluso deletreados (τ-Voice, 2026).
  • Ningún modelo de voz del estudio era bueno a la vez en terminar la tarea y en llevar la conversación, y el que respondía al 100 % de los turnos del cliente solo ignoró correctamente las toses y las frases dirigidas a otra persona el 6 % de las veces (τ-Voice, 2026).

¿Dónde entra DRING?

El estudio midió modelos de voz generales que trabajan con un conjunto de reglas. Un agente de DRING se construye con piezas separadas, con modelos seleccionados de reconocimiento de voz, síntesis de voz y razonamiento, y con pruebas y supervisión en la base común sobre la que funciona. Ese tipo de agente no estaba en el estudio.

Antes de la primera llamada real, cada agente de DRING se somete a entre 1.000 y 10.000 conversaciones simuladas creadas para su empresa. Se generan a partir de su propio proceso, sus documentos y sus grabaciones de llamadas, y un agente solo pasa a producción cuando supera ese conjunto, como describe nuestra página de calidad. Las pruebas de «¿Qué conviene probar primero?» son las que debe pedir a cualquier proveedor, DRING incluido.

Lea también: IA de voz o IVR: ¿cuál conviene a su equipo? · Qué es un agente de voz con IA y cómo lo opera DRING

Empiece por su llamada más difícil

Deje su número y DRING le llama en dos minutos. Cuéntele cuál es la llamada que más teme su equipo.