La voz ya es una interfaz de producción: qué usar y qué vigilar en 2026

Síntesis de voz (TTS): opciones comerciales y abiertas

Lo verificado a septiembre de 2026 y lo que te toca probar en español y en francés.

Qué probar. Nuestra regla: escribe 50 frases difíciles por idioma (cifras, fechas y montos con separadores locales, NIT, nombres propios, siglas, términos en inglés), genéralas con dos o tres proveedores y haz una escucha a ciegas con cinco personas del público objetivo. Una voz con acento de España puede sonar ajena en Bogotá, y el francés de Quebec no es el de París.

Transcripción (STT): precisión, diarización y migraciones

OpenAI renueva su línea: GPT Transcribe (archivos) y GPT Live Transcribe (baja latencia) cuestan USD 0,017 por minuto, igual que GPT-Realtime-Whisper, su modelo de transcripción en streaming de mayo. whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe y gpt-4o-transcribe-diarize dejan la API el 26 de febrero de 2027. Si hoy pagas el Whisper antiguo a USD 0,006 por minuto, tu costo casi se triplica al migrar.

Google lista Gemini 3.5 Transcribe a unos USD 0,005 por minuto. ElevenLabs ofrece scribe_v2 (más de 90 idiomas), scribe_v2_realtime (unos 150 ms según la empresa) y scribe_v2_medical para audio clínico. En pesos abiertos con licencia clara: Whisper large-v3-turbo (unos 809 millones de parámetros, MIT), NVIDIA Parakeet TDT 0.6B v3 (CC-BY-4.0, 25 idiomas europeos) y Mistral Voxtral Mini 3B (Apache 2.0, con español y francés).

Precisión: mide con tu audio. El WER de un ranking público no dice cómo le irá a tu centro de contacto. Prueba audio telefónico de 8 kHz con ruido real, acentos regionales y cifras dictadas (cédula, NIT, placas): OpenAI destacó justamente una mejor precisión alfanumérica en GPT-Realtime-2.1, en julio de 2026. Si dependes de la diarización, confirma que el reemplazo de gpt-4o-transcribe-diarize cubre tu caso antes de 2027.

Agentes de voz: voz a voz o cascada

Voz a voz. Un solo modelo recibe audio y responde con audio. GPT-Live-1 es full dúplex (escucha mientras habla) y delega el razonamiento y las herramientas en un agente de backend. Solo funciona en el endpoint Live de OpenAI y sus límites se cuentan en sesiones simultáneas: de 25 en el nivel 1 a 500 en el nivel 5, sin nivel gratuito. Google presenta Gemini 3.8 Live como el modelo por defecto de su Live API para agentes de baja latencia.

Cascada. STT en streaming, un LLM con herramientas y TTS en streaming, cada pieza intercambiable. Ganas control: ves el texto de cada turno, aplicas reglas antes de que algo se pronuncie y eliges la mejor voz en español. Pagas en latencia y en ingeniería de turnos.

Nuestra regla de decisión: si la conversación es abierta y la naturalidad pesa más que el control, empieza por voz a voz. Si hay trámites con datos personales, reglas de negocio o auditoría, empieza por la cascada o por un modelo voz a voz que delegue en un backend donde tú controlas herramientas y reglas, que es lo que propone GPT-Live-1. Más en agentes de IA en producción.

Latencia, turnos e interrupciones

Un presupuesto por tramo y cinco reglas para que la conversación no suene robótica.

Interrupciones (barge-in) y turnos

1. Escucha también mientras el agente habla, con cancelación de eco.
2. Si el usuario interrumpe, corta el audio y borra del historial lo no dicho: el modelo debe saber qué oyó la persona.
3. No cuentes un «ajá» o una tos como interrupción; ajusta el umbral con grabaciones reales.
4. Detecta el fin de turno por sentido, no solo por silencio: quien dicta un número hace pausas.
5. Lee en voz alta los datos críticos (cédula, montos, fechas) y confirma antes de actuar.

Música con IA: modelos, pleitos y licencias

El mercado pasa de entrenar sin permiso a modelos con licencia, y los tribunales marcan el ritmo.

Suno resume el momento. Su v6 se hizo con Warner, BMG y Believe, y la empresa retira todos sus modelos anteriores. Sony y Universal, que no firmaron, alegan que v6 «lava» la infracción porque se entrenó en parte con salidas de modelos previos.

En Europa, el Tribunal Regional de Múnich falló el 31 de julio de 2026 que Suno infringió derechos al entrenar con obras de GEMA sin licencia y al reproducir obras que coinciden en melodía, armonía y ritmo con canciones conocidas.

Si tu marca usa música generada

• Usa planes con derechos comerciales explícitos: en Suno, las descargas de Pro y Premier los incluyen y las del plan gratuito son solo para uso personal.
• Guarda la prueba de cada pieza de campaña: herramienta, plan, fecha, prompt y archivo.
• No pidas imitar a un artista concreto ni una voz reconocible.
• Cuenta con fricción en la distribución: Deezer dice que más del 50 % de las canciones nuevas subidas en junio de 2026 eran totalmente generadas con IA y las saca de sus recomendaciones.

Clonación de voz: consentimiento, marcas de agua y fraude

Clonar una voz ya es una función de producto: desde v5.5 (marzo de 2026), Suno permite grabar tu propia voz y reutilizarla en canciones. La regla es el consentimiento explícito: un contrato que diga qué voz, para qué usos, en qué idiomas, por cuánto tiempo y cómo se revoca.

Desde el 2 de agosto de 2026, el artículo 50 del AI Act obliga a marcar el audio sintético de forma detectable por máquina y a revelar los deepfakes de audio; el código de buenas prácticas de la Comisión pide metadatos firmados más una marca de agua. Según el NIST, ninguna técnica de procedencia o detección basta por sí sola.

Arquitectura de referencia y cumplimiento: agente de voz en español

1. Entrada: telefonía SIP o WebRTC con un aviso inicial: hablas con una IA, la llamada se graba, para qué y cómo pedir un humano.
2. Motor: voz a voz o cascada, detrás de una interfaz propia para cambiar de proveedor.
3. Voz: STT y TTS elegidos con tu prueba de 50 frases en español colombiano, y una voz de marca con contrato.
4. Backend: un LLM con herramientas estrictas (CRM, pedidos, tickets), permisos mínimos, confirmación en voz alta antes de cualquier cambio y defensas contra la inyección de instrucciones.
5. Traspaso: a un humano, con resumen, cuando el usuario lo pida o tras dos intentos fallidos; la identidad se verifica con un factor distinto de la voz.
6. Operación: latencia p50 y p95, muestra de transcripciones revisada, tasa de resolución sin humano y borrado automático de las grabaciones al vencer el plazo.

Cumplimiento

Unión Europea. Desde el 2 de agosto de 2026, el artículo 50 del AI Act exige avisar de forma clara, a más tardar en la primera interacción, que se habla con una IA; la multa llega a 15 millones de euros o al 3 % de la facturación mundial, lo que sea mayor. Una grabación es un dato personal según el RGPD, y una huella de voz usada para identificar a alguien es un dato biométrico de categoría especial (artículo 9) que, en la práctica, suele exigir consentimiento explícito. Inferir con IA las emociones de tus propios empleados está prohibido desde febrero de 2025, salvo por razones médicas o de seguridad.

Colombia. La Ley 1581 de 2012 exige una autorización previa e informada que puedas probar después (artículo 9): guarda el aviso y la aceptación con cada llamada. Los datos biométricos son sensibles (artículos 5 y 6) y requieren autorización explícita, y enviar audio a un proveedor en el exterior exige un contrato de transmisión (Decreto 1074 de 2015) o, si es una transferencia, cumplir el artículo 26. No hay ley de IA en vigor, pero la Ley 2502 de 2025 ya agrava la suplantación con IA. Detalle en el mapa regulatorio de 2026.