El tiempo hasta el primer audio (en inglés, time to first audio byte o TTFAB) es el intervalo entre el momento en que la persona deja de hablar y el momento en que empieza a sonar la respuesta del agente. Es una forma concreta de medir la latencia: no cuenta cuánto dura la respuesta entera, sino cuánto tarda en empezar, que es lo que la persona percibe como «tarda en contestar».
Lo importante es desde dónde se mide. Si se mide en el servidor del agente, no incluye lo que tarda el audio en viajar por la red telefónica hasta el oído de quien llama. Si se mide desde la grabación de la llamada en el lado de quien llama, con un robot que llama y cronometra, sí lo incluye. Los benchmarks reproducibles usan la segunda vía porque es la única que refleja la experiencia real; la diferencia entre lo que autoinforma una plataforma y lo que mide el llamante puede ser considerable (Openbenchmarks).
Para un negocio con citas, esta métrica es la que conviene pedir a cualquier proveedor: «¿cuánto tarda en empezar a sonar la respuesta, medido desde el teléfono del cliente, en qué percentil y con qué método?». Un proveedor que solo da una cifra sin esos datos no te está diciendo nada que puedas comparar.
Centralitia describe en tecnología cómo mide el tiempo hasta el primer audio: desde la grabación de la llamada, en una sola base de tiempo, con la detección de límites y las condiciones de prueba explicadas. No ponemos aquí una cifra porque sin ese contexto sería una cifra de marketing más. Ejemplo de por qué importa: en una llamada a un restaurante, el cliente dice «para dos, esta noche» y espera; si el primer sonido de la respuesta llega rápido, aunque la frase sea larga, la conversación se siente natural; si hay un silencio largo antes del primer sonido, el cliente duda de si la línea se ha cortado.
Un caso práctico
El responsable de sistemas de un grupo de clínicas dentales de Madrid quiere comprobar por su cuenta lo que le cuentan los proveedores. Llama varias decenas de veces a cada demo, con frases parecidas a las de sus pacientes, y graba cada llamada desde el lado del teléfono. Después abre los audios en un editor y, en la forma de onda, marca dónde termina su voz y dónde empieza a sonar la respuesta.
Al revisar las marcas descubre algo que las cifras no decían: uno de los sistemas suelta casi siempre un «vale» inmediato y luego se queda callado antes de dar la información. Su tiempo hasta el primer audio parece bueno, pero el paciente sigue esperando. Decide medir dos cosas por separado: el primer sonido y el primer dato útil, como la hora o el nombre del profesional.
Errores habituales
- Confundirlo con la latencia total. El primer sonido puede llegar pronto y la respuesta útil tardar; la métrica mide cuándo empieza a sonar, no cuándo llega la información.
- Aceptar medidas tomadas en el servidor. No incluyen lo que tarda el audio en viajar por la red telefónica hasta el oído de quien llama.
- Contar el relleno como respuesta. Un «vale» o un sonido inmediato baja la cifra, pero el cliente sigue sin saber si hay hueco o a qué hora.
- Marcar el final del habla a ojo. Si cada prueba corta en un punto distinto, las diferencias entre proveedores salen del método de medida, no del sistema.
Qué preguntar antes de contratar
- ¿Medís el tiempo hasta el primer audio desde la grabación del lado de quien llama? — Es la única forma de incluir la red telefónica.
- ¿Qué contáis como primer audio: cualquier sonido o el inicio de una respuesta con contenido? — Un relleno inmediato puede maquillar la cifra.
- ¿Publicáis los percentiles altos además de la mediana? — Las esperas largas que molestan están en las peores llamadas.
- ¿Cuántas llamadas, con qué frases y en qué condiciones de red hicisteis las pruebas? — Sin método explicado, la cifra no se puede reproducir.
Actualizado el 23 de octubre de 2026.