Un agente de voz que tarda un segundo y medio en responder suena como una llamada caída. En Coru la respuesta llega en menos de 800 ms desde que el cliente termina de hablar, y ese umbral marca la diferencia entre una llamada que cierra con un compromiso de pago y una que termina con el cliente colgando.
El dato que lo respalda es reciente. Un análisis publicado en enero de 2026 sobre más de un millón de llamadas con agentes de voz midió que cada 100 ms de latencia por encima de 800 ms reduce entre 4 y 6 % la tasa de tareas completadas, y que por encima de 1.200 ms el abandono sube entre 15 y 25 puntos (Hamming, 2026). Para servicios financieros y salud, el mismo estudio fija el abandono aceptable por debajo del 3 %.
Por qué el umbral está en 800 ms
La conversación humana tiene un ritmo medido. Una investigación publicada en PNAS sobre diez idiomas encontró que la pausa entre el final de un turno y el comienzo del siguiente ronda los 200 ms, con variaciones culturales pero casi siempre por debajo de medio segundo (Stivers et al., citado por Telnyx). Una pausa más larga se interpreta como duda, confusión o falla. A partir de 800 ms el silencio se nota; pasados los 1.500 ms, el cliente asume que la línea se cortó: habla encima, repite o cuelga.
En cobranza el efecto es directo. El cliente ya llega incómodo a la llamada, y cada silencio del agente le da una razón para cortarla. En originación la pérdida tiene otro nombre: la venta que no se cierra.
Dónde se van los milisegundos
Cada turno de voz atraviesa cinco etapas, y cada una suma tiempo. Estos son rangos típicos en agentes de voz del mercado; el orden de magnitud importa más que el número exacto.
| Etapa | Qué hace | Costo típico | Dónde se pierde tiempo |
|---|---|---|---|
| Detección de fin de habla (VAD) | Decide que el cliente terminó de hablar | 100 a 300 ms | Umbrales conservadores que esperan “por si acaso” |
| Transcripción (STT) | Convierte el audio en texto | 150 a 400 ms | Modelos que esperan la frase completa en lugar de transcribir en streaming |
| Razonamiento (LLM) | Decide qué responder y qué herramienta usar | 300 a 900 ms | Prompts largos, modelos sobredimensionados, consultas a sistemas externos en serie |
| Síntesis de voz (TTS) | Convierte el texto en voz | 100 a 300 ms | Esperar el texto completo antes de empezar a hablar |
| Red y telefonía | Lleva el audio hasta el teléfono | 50 a 200 ms | Proveedores encadenados, cada uno en una región distinta |
Con los valores mínimos, la suma ya ronda los 800 ms. Con los máximos, supera los dos segundos. Por eso un agente lento rara vez tiene un componente lento: lo habitual son cinco componentes razonables encadenados en serie, cada uno esperando que el anterior termine del todo.
Cómo se baja de 800 ms
La mejora viene de cambiar cómo se encadenan las etapas, más que de optimizar una sola.
- Todo en streaming. La transcripción avanza mientras el cliente habla, el modelo empieza a generar con la primera frase transcrita y la síntesis empieza a hablar con la primera oración generada. Ninguna etapa espera a que la anterior termine.
- Interrupción natural (barge-in). La detección de actividad de voz corre en paralelo mientras el agente habla. Si el cliente lo interrumpe, el agente se calla y escucha, en lugar de terminar una frase de ocho segundos mientras el cliente repite que no era eso.
- Pila de voz propia. Cuando transcripción, modelo y síntesis son tres proveedores en tres regiones, la red suma más que cualquier modelo. Coru opera su propia capa de voz: el servidor de medios y el puente de audio corren en la misma red privada, y el modelo de lenguaje se puede cambiar sin alterar la ruta del audio.
- Pronunciación resuelta antes de hablar. Una tasa, una CURP o un monto mal leídos obligan a repetir, y repetir cuesta un turno entero. El diccionario de pronunciación de cada agente resuelve siglas y cifras del sector antes de que lleguen a la síntesis de voz.
- Latencia vigilada en producción. Los paneles de operación muestran el rendimiento de voz por agente y por canal, con alertas cuando un proveedor de voz se degrada y conmutación a una voz alternativa.
El resultado en producción: menos de 800 ms desde que el cliente termina de hablar hasta el primer audio del agente, sobre el troncal SIP del propio banco, en llamadas entrantes y en campañas salientes.
Tres preguntas para cualquier proveedor de voz
- ¿Cuál es la latencia por turno medida en producción, fuera de la demo, y dónde la puedo ver?
- ¿Qué pasa cuando el cliente interrumpe a mitad de frase?
- ¿Cuántos proveedores atraviesa el audio antes de volver al teléfono?
Si la primera respuesta es un promedio, la segunda es que el agente termina su frase antes de escuchar y la tercera habla de tres o cuatro proveedores, la llamada va a durar menos de lo que planeaste.
Si tu proyecto de voz está en revisión de Riesgos, las doce preguntas que suele hacer un CISO están en Por qué Riesgos congela los proyectos de agentes de IA en bancos.
Escucha cómo responde un agente de Coru. En la sección de voz de ADI Platform está la pila completa, del troncal SIP al turno de conversación. Ver la capa de voz o agenda una demo con tu propio caso.
Fuentes: Hamming, Voice Agent Drop-Off Analysis, enero de 2026 · Telnyx, Voice AI agents compared on latency, 2026