Agentes de Voz

Cree agentes que conversan por voz en tiempo real: el usuario habla, el agente responde hablando. Vea cómo crear, habilitar, usar, limitar y seguir el costo.

¿Prefieres ver? Mira en el video cómo crear un agente de voz (en portugués).

El Agente de Voz conversa con el usuario por voz, en tiempo real, directamente en el navegador. El usuario habla al micrófono, el agente responde hablando y la conversación ocurre como una llamada: sin escribir, sin esperar una respuesta completa en texto. Es posible interrumpir al agente hablando encima de él, y la transcripción aparece en pantalla mientras conversan.

Es distinto del dictado por voz del chat de texto, que solo convierte su habla en texto para que usted lo revise y lo envíe. En el agente de voz, toda la conversación es hablada.

Ejemplos de uso: atención al cliente, recepción virtual, soporte técnico, práctica de entrevistas y práctica de idiomas.

Qué se guarda. Power Omni guarda la transcripción en texto y los datos de la sesión (duración, motivo de finalización). No hay grabación ni reproducción de audio. Cada conversación es visible solo para el usuario que la realizó.

Antes de empezar

Para crear agentes de voz, verifique los requisitos:

  • Proyecto New Foundry. La voz no está disponible en proyectos del modelo anterior.
  • Modelo de voz registrado en Artefactos > Modelos (vea Modelos de voz y tarifas).
  • Región compatible. La disponibilidad del modelo y de la voz en su proyecto se confirma al guardar el agente.
  • Navegador con HTTPS y acceso al micrófono. Quien use el agente debe permitir el micrófono cuando el navegador lo solicite.
  • Permiso para crear. Los Administradores, Colaboradores y Workspace Owners pueden crear y editar agentes de voz.

Instalación automática. Al instalar Power Omni desde Facturación > Configuración, existe el paso opcional Habilitar conversaciones por voz, que ya registra un modelo de voz. Si la región no ofrece voz, la opción aparece desmarcada y el agente se crea sin voz; un administrador puede registrar el modelo después, en Modelos.

Cómo crear un agente de voz

  1. Abra Agentes y haga clic en Nuevo agente

    Vaya a Artefactos > Agentes, haga clic en Nuevo agente y elija Crear un agente.

  2. Elija el tipo: Texto o Voz

    En la ventana Crear un agente, elija Voz (conversación hablada en tiempo real, con elección de voz e idioma) y haga clic en Siguiente. Si prefiere partir de un ejemplo, elija Nuevo agente > Con plantilla de agente para abrir la galería de plantillas.

    El tipo no se puede cambiar después. Un agente creado como Voz sigue siendo de voz (y uno de Texto sigue siendo de texto). Para tener ambos, cree dos agentes.

  3. Elija una plantilla de partida (opcional)

    La galería muestra las plantillas de agente, con búsqueda y filtro Todos / Texto / Voz. Al elegir una plantilla, sus instrucciones y ajustes se copian a su agente, que sigue siendo independiente: cambiar la plantilla después no modifica su agente.

    Plantilla de vozPara qué sirve
    Atención al clienteConversaciones de soporte claras y breves, con confirmación de acciones importantes.
    Recepcionista virtualAtiende llamadas, clasifica, recoge nombre y motivo y las deriva.
    Soporte técnicoDiagnóstico paso a paso, confirmando la comprensión en cada etapa.
    Asistente de ventasEntiende el interés del cliente y califica la oportunidad sin prometer de más.
    Profesor de inglésPráctica de conversación paciente, con correcciones breves y ritmo adaptable.
    Entrenador de entrevistasSimula una entrevista y da una breve retroalimentación tras cada respuesta.
    Asistente generalUn punto de partida útil para conversar en el idioma del usuario.
    Empezar desde ceroUn agente en blanco: usted escribe las instrucciones y configura la conversación.
  4. Complete las etapas del asistente

    El asistente tiene cinco etapas, descritas a continuación: Agente y modelo, Conversación, Conectores y toolboxes, Acceso y Revisar.

  5. Revise y guarde

    En la última etapa, verifique el resumen y guarde. Guardar publica una nueva versión del agente.

Etapa 1: Agente y modelo

Campo Descripción
Nombre Cómo aparece el agente para los usuarios.
Descripción Opcional, pero recomendada: ayuda al usuario a entender para qué sirve el agente.
Proyecto Proyecto de Foundry en el que se creará el agente (solo al crear). Elija un proyecto New Foundry.
$1
Gestión Quién administra el agente: la Organización (solo Administradores y Colaboradores lo modifican) o un workspace (también sus owners). Vea Workspace Owner.
Instrucciones El comportamiento del agente. Para voz, prefiera frases cortas, una pregunta a la vez, y evite pedir que el agente lea enlaces, tablas o código en voz alta.

El botón Mejorar con IA reescribe las instrucciones pensando en la conversación hablada (para usarlo, elija antes un proyecto). Revise el texto antes de continuar.

Etapa 2: Conversación

Aquí usted define cómo suena el agente y cómo se comporta la conversación.

  • Voz: elija entre las voces validadas para el modelo. Haga clic en Escuchar una muestra para comparar. Las muestras son audios pregrabados: no abren una sesión, no usan el micrófono y no aparecen en el historial.
  • Idioma de la conversación: el idioma en que habla el usuario. Algunos modelos ofrecen Detección automática del idioma.
  • Modelo de transcripción: modelo que transcribe el habla del usuario para el historial.
  • Saludo: marque El agente inicia la conversación para que hable primero. Puede pedir que diga un texto exacto o que genere el saludo a partir de las instrucciones. Algunas voces no dicen un texto exacto; en ese caso, use el saludo generado o desactive el saludo.

Ajustes avanzados de conversación

Los valores predeterminados sirven para la mayoría de los casos. Ajuste solo si lo necesita:

Opción Qué hace
Detección de turnos Cómo percibe el agente que el usuario terminó de hablar: detección de actividad de voz del servidor, detección semántica Azure o detección semántica OpenAI.
Umbral de voz, prefijo de audio y duración del silencio Sensibilidad para detectar el inicio y el fin del habla.
Velocidad del habla Ritmo de la voz del agente.
Máximo de tokens de salida Límite del tamaño de cada respuesta.
Pistas de reconocimiento Términos que el agente debe reconocer mejor (nombres de productos, siglas), uno por línea.
Supresión de ruido y cancelación de eco Mejoran la captación en entornos ruidosos.
Permitir interrupción al hablar Cuando está activo, el usuario puede interrumpir al agente hablando.
Mensajes intermedios Frases cortas que el agente dice mientras espera la respuesta de una herramienta.
Temperatura de voz Variación en la entonación, en los modelos que ofrecen la opción.

Etapa 3: Conectores y toolboxes

Dé herramientas al agente para que consulte sistemas durante la conversación. Hay dos modos, mutuamente excluyentes:

  • Herramientas individuales: conectores MCP, hasta 20 por agente.
  • Una toolbox: una toolbox del proyecto. Es el camino para usar búsqueda web, intérprete de código, OpenAPI, Logic Apps y skills en un agente de voz.

Cambiar de modo elimina la selección actual. Si no desea herramientas, haga clic en Omitir. Los elementos que la voz no puede usar aparecen deshabilitados, con el motivo. Las reglas principales:

  • Los conectores que requieren consentimiento del usuario o que envían el correo del usuario no funcionan en voz.
  • El conector MCP debe tener URL HTTPS. Los conectores antiguos, que solo tienen el nombre de la conexión, no se aceptan.
  • La toolbox debe estar publicada y tener al menos una herramienta o skill. Las herramientas MCP dentro de la toolbox no pueden requerir aprobación.
  • Los elementos suspendidos por la gestión no se pueden adjuntar.

Versión fijada. El agente de voz guarda una copia de los conectores y toolboxes en la versión en que fue publicado. Por eso, mientras un agente de voz use un conector o una toolbox, no es posible editarlos ni cambiar sus herramientas. Para cambiarlos, edite el agente de voz o quite el vínculo.

Etapa 4: Acceso

Elija quién podrá usar el agente: usuarios, grupos y Espacios de Trabajo. Puede omitir esta etapa y compartir después con las acciones de uso compartido de la lista de agentes. Los Workspace Owners comparten solo dentro de sus workspaces (vea Workspace Owner).

Etapa 5: Revisar

Verifique nombre, modelo, voz, idioma, instrucciones y acceso. Use Editar en cualquier bloque para volver a la etapa correspondiente y haga clic en Guardar.

Edición y versiones

Cada vez que guarda, Power Omni publica una nueva versión del agente de voz en Foundry.

  • Las nuevas sesiones usan la versión más reciente publicada.
  • Las sesiones en curso conservan los ajustes con que comenzaron, aunque usted edite el agente.
  • Si alguien modificó el agente directamente en el portal de Foundry, Power Omni avisa que existe una versión más reciente en Foundry. Revísela y haga clic en Adoptar versión de Foundry para traerla; esto sustituye los ajustes mostrados, incluidos los cambios sin guardar.

Los agentes de voz pueden suspenderse y reactivarse desde la gestión, como los demás agentes. Una sesión en curso se finaliza cuando el agente, o un elemento de él, se suspende.

Modelos de voz y tarifas

Los agentes de voz usan modelos de voz en tiempo real (familia gpt-realtime, como gpt-realtime-2.1 y gpt-realtime-2.1-mini, y azure-realtime). Se registran en Artefactos > Modelos, como los demás modelos.

  • Son modelos de servicio administrado: no hay deployment ni cuota en Azure. El cobro es por el uso de audio.
  • Si el modelo de voz no aparece en la etapa Agente y modelo, un administrador debe registrarlo en Modelos.
  • En la instalación automática, el paso Habilitar conversaciones por voz ya registra el modelo.

Costos

Como la voz la cobra Azure, el costo depende del tiempo de habla y del modelo elegido, y se contabiliza por respuesta del agente.

Qué influye en el costo Detalle
Audio Habla del usuario (entrada) y habla del agente (salida), en tokens de audio. Es el mayor componente.
Texto Las instrucciones, el contexto y las herramientas también consumen tokens de texto.
Contexto en caché Tiene tarifa reducida, cuando corresponde.
Transcripción La transcripción del habla del usuario para el historial tiene tarifa propia, según el modelo de transcripción elegido.

Valores de referencia (precio público de Azure, por 1 millón de tokens, en USD):

Modelo Audio de entrada Audio de salida Texto de entrada Texto de salida
gpt-realtime-2.1 32 31 4 24
gpt-realtime-2.1-mini 11 26 0,66 2,64

Como referencia, una estimación solo de audio (300 tokens de entrada y 600 de salida por minuto de conversación) ronda los US$ 0,03 por minuto con gpt-realtime-2.1 y los US$ 0,02 por minuto con gpt-realtime-2.1-mini.

Son estimaciones. Los valores anteriores siguen la tabla pública de Microsoft y no sustituyen la factura de Azure. El costo real varía según el tamaño de las instrucciones, el uso de herramientas y el ritmo de la conversación. Para seguir el gasto real, use el Monitoreo y defina un Presupuesto.

Consejos para controlar el costo:

  • Prefiera el modelo mini para atenciones simples y de alto volumen.
  • Mantenga instrucciones cortas y conecte solo las herramientas necesarias.
  • Reduzca la duración máxima y el tiempo de inactividad de las sesiones (vea la sección siguiente).
  • Defina presupuestos por agente, grupo u organización.

Límites de las sesiones de voz

En Artefactos > Agentes, el botón Sesiones de voz abre los Ajustes de sesiones de voz, donde el administrador define los límites de las sesiones de toda la organización. Introduzca un valor entre 1 y 60 minutos.

Límite Predeterminado Descripción
Duración máxima de la sesión 30 minutos La sesión finaliza al alcanzar este tiempo.
Tiempo de inactividad 5 minutos La sesión finaliza si nadie habla. El tiempo en que el agente responde o ejecuta una herramienta no cuenta como inactividad.

La inactividad no puede ser mayor que la duración máxima. Además de estos límites, la sesión también finaliza cuando:

  • se agota el presupuesto disponible;
  • se revoca el acceso del usuario al agente, o la licencia deja de ser válida;
  • el agente o un elemento de él se suspende, o se elimina un componente de la versión;
  • el usuario finaliza la sesión, sale del panel de voz o se interrumpe la conexión.

Monitoreo y presupuesto

En Monitoreo, el costo y las solicitudes de voz aparecen separados del texto:

  • Total de Preguntas: muestra el conteo de preguntas de texto y, debajo, + N respuestas de voz.
  • Costo Promedio / Pregunta: considera solo conversaciones de texto.
  • Costo Total: detalla Texto y Voz (por ejemplo, "Texto US$ 12,21 · Voz US$ 0,01").
  • En las tablas de uso, las filas de agentes, usuarios y modelos que tuvieron voz traen una línea extra Voz con el valor correspondiente.

El consumo de voz también entra en los Presupuestos, que se verifican durante la conversación.

Consumo no conciliado. Mientras Microsoft no confirme que el reporte de uso de audio está completo, la sesión acumula los componentes que el servicio informó y marca el consumo como no conciliado. Nada se estima ni se registra como cero. En caso de diferencia, la factura de Azure es la referencia.

Mejores prácticas

  • Escriba instrucciones para conversación hablada: frases cortas, una pregunta a la vez, confirmación de nombres y números.
  • Pida que el agente confirme antes de acciones con consecuencias y que nunca diga que concluyó algo antes de que la herramienta responda.
  • Elija la voz escuchando las muestras y el idioma que sus usuarios realmente hablan.
  • Pruebe el agente con el micrófono y el navegador que usarán los usuarios.
  • Habilite solo los conectores necesarios y prefiera toolboxes para integraciones como la búsqueda web.
  • Defina límites de sesión y presupuesto antes de habilitarlo para muchos usuarios.

Limitaciones

  • No hay grabación ni reproducción de audio; el historial es solo en texto.
  • Cada usuario puede tener una sesión de voz activa a la vez en la organización.
  • Una conexión interrumpida no se reanuda: el usuario inicia una nueva sesión, con contexto nuevo.
  • La voz requiere HTTPS y un navegador con micrófono y AudioWorklet.
  • Los conectores que dependen de la identidad del usuario (consentimiento, envío del correo) no funcionan en voz.

Para ver cómo conversa el usuario final con el agente, consulte Conversaciones por Voz.

¿Necesita ayuda?

Si tiene dudas sobre agentes de voz, modelos, costo o límites de sesión, comuníquese con el soporte de Power Omni.

Actualizado