Una conversación telefónica no es un relevo educado. La persona corrige su nombre a mitad de frase, responde “sí, sí” antes de que termine la pregunta, se acuerda de otra cosa y habla encima. Quien atiende de verdad se detiene, escucha y retoma. Un agente de voz que sigue hablando hasta el final de la frase deja claro, en dos segundos, que del otro lado hay una máquina leyendo un texto.
El barge-in es la capacidad del agente de voz de dejar de hablar cuando la persona empieza a hablar encima. En la práctica exige tres cosas: detectar el habla del usuario mientras el audio del agente todavía suena, descartar el audio que ya estaba en cola para salir y registrar en el historial solo el fragmento que el cliente realmente oyó. Sin lo tercero, el agente “recuerda” haber dicho lo que nadie escuchó.
Por qué detenerse es más difícil de lo que parece
En un pipeline de voz encadenado (transcripción, modelo de lenguaje, síntesis de voz), la respuesta se convierte en audio antes de llegar al oído del cliente, y parte de ese audio ya está en el búfer de la línea. Dejar de generar no basta: hay que pedirle al proveedor de telefonía que descarte lo que aún no sonó. Y si el sistema solo nota la interrupción cuando llega la transcripción final, la persona ya dijo una frase entera encima de una voz que no se callaba.
El falso positivo es el enemigo
El micrófono del cliente capta todo: una tos, un “ajá”, la tele encendida y el eco de la propia voz del agente volviendo por la línea. Un agente que se detiene ante cada ruido tartamudea y nunca termina una frase. Por eso la señal de “empezó a hablar” no puede ser el disparador por sí sola.
- La detección de actividad de voz marca una interrupción candidata, pero todavía no interrumpe.
- La interrupción solo ocurre cuando la transcripción parcial trae palabras reales, dos o más, después de un tiempo mínimo de habla.
- Justo cuando el agente empieza a hablar hay una ventana corta de protección contra el eco, porque es ahí cuando su propia voz vuelve por la línea.
- Un tope de interrupciones por minuto evita que una línea ruidosa convierta la conversación en un bucle de frases a medio empezar.
Un agente que nunca se detiene suena a grabación. Uno que se detiene ante cualquier ruido suena peor: parece que la llamada se está cortando.
El historial tiene que reflejar lo que se oyó
Es el detalle que más se pasa por alto. Si el agente iba a explicar tres planes y lo interrumpieron en el primero, el registro de la conversación no puede contener los tres. Si no, en el turno siguiente el modelo actúa como si el cliente ya conociera los otros dos, y el resumen que llega al equipo comercial describe una conversación que no ocurrió. Lo correcto es cortar el texto en el punto aproximado en que se detuvo el audio y seguir desde ahí.
Lo que la interrupción no deshace
Dejar de hablar es seguro. Deshacer una acción, no. Si el agente estaba consultando un sistema o registrando un pedido cuando el cliente interrumpió, el audio se detiene, pero la acción llega hasta el final. Conviene diseñar las herramientas del agente con eso en mente: confirmar con el cliente antes de ejecutar lo irreversible, no después.
Cómo funciona en Take Sales
Los agentes de voz de Take Sales funcionan en dos modos. En el modo de audio nativo en tiempo real, el propio modelo gestiona la interrupción. En el modo pipeline, que combina transcripción, modelo de lenguaje y síntesis de voz por separado, el barge-in está activo en producción desde septiembre de 2026, con los cuidados anteriores: disparador confirmado por la transcripción, protección contra eco, tope por minuto e historial cortado en lo que se dijo. Vale tanto para la voz en el widget del sitio como para la llamada telefónica.
La prueba de treinta segundos sigue siendo la misma: habla encima del agente mientras responde. El texto sobre latencia explica por qué esa prueba dice tanto sobre la arquitectura, y la comparación con IVR muestra qué cambia para quien llama.
