Latencia en agentes de voz: por qué se mide desde el teléfono de quien llama

Qué es la latencia en un agente de voz

En una llamada con una recepcionista IA, la latencia es el tiempo que pasa desde que el cliente deja de hablar hasta que oye la primera sílaba de la respuesta. Es lo que hace que una conversación suene natural o que el cliente pregunte «¿hola?, ¿sigue ahí?».

Ese hueco se reparte entre varias etapas, y cada una suma:

• Fin de turno: decidir que el cliente ha terminado de hablar. Cuanto más espera el sistema para asegurarse, más largo el silencio.
• Reconocimiento de voz: pasar el audio a texto.
• Modelo de lenguaje: decidir qué responder y, si hace falta, consultar la agenda.
• Síntesis de voz: convertir la respuesta en audio.
• Red telefónica: llevar el audio de ida y de vuelta.

Un proveedor del sector da como orientación 200–800 ms para la telefonía tradicional, 40–300 ms para el reconocimiento, 100–400 ms para el modelo y 50–250 ms para la síntesis (Vapi, cifras de proveedor). Son rangos, no mediciones de un sistema concreto, pero muestran por qué ninguna etapa se puede ignorar.

Por qué importa desde dónde se mide

Casi todos los proveedores publican una cifra de latencia, pero cada uno mide un intervalo distinto. Algunas cifras muy citadas son solo de la síntesis de voz, no de un turno completo. Otras se calculan con marcas de tiempo internas de la plataforma, sin contar la red telefónica ni el tiempo de decidir el fin de turno.

El benchmark independiente Openbenchmarks lo midió de otra forma: un robot llama por teléfono desde un operador independiente, sigue un guion fijo de cuatro turnos y mide el hueco en la grabación de la llamada, no en los registros de la plataforma. Su conclusión: la latencia que una plataforma declara de sí misma queda unos 490 ms por debajo de la medida en el audio de la llamada.

Medio segundo es mucha diferencia en una conversación. Por eso, cuando leas una cifra de latencia, la primera pregunta es: ¿medida dónde? Si no lo dice, no sabes qué te están contando.

Lo que miden los benchmarks públicos

Estos son los resultados de Openbenchmarks para plataformas de agentes de voz, medidos desde el lado de quien llama (última llamada del estudio: 1 de agosto de 2026). El tiempo de espera para decidir el fin de turno se igualó a 0,1 s donde la plataforma lo permitía (Openbenchmarks):

Tres lecturas útiles:

• Todas las plataformas quedan entre 1,3 y 1,7 s de mediana, bastante por encima de las cifras «sub-500 ms» o «600 ms» que aparecen en su marketing.
• Otro estudio, con otro método, ordena las mismas plataformas casi al revés (Telnyx, comparativa de benchmarks). Sin método publicado, un ranking no significa mucho.
• Estas cifras son de las plataformas evaluadas, no de Centralitia. Nosotros usamos la red de telefonía de Telnyx, pero nuestra lógica de conversación es propia y la mediremos por separado.

El listón humano: unos 200 ms

Entre personas, el hueco medio entre turnos es del orden de 200 ms. Lo midieron Stivers y colegas en diez lenguas: todas evitan solaparse y minimizan el silencio, con diferencias entre lenguas dentro de unos 250 ms (Stivers et al. 2009, PNAS). Como producir una frase lleva más de 600 ms, quien escucha empieza a preparar su respuesta antes de que el otro termine (Levinson y Torreira 2015, Frontiers in Psychology).

Ningún agente de voz de los benchmarks públicos llega a ese listón. Por eso desconfía de quien prometa una conversación «igual que con una persona» en velocidad.

Los umbrales que circulan por internet («a partir de 300 ms se nota», «más de 800 ms es lento») vienen de blogs de proveedores, no de estudios revisados (Vapi). Pueden servir como objetivo de diseño, pero no son ciencia.

p50 y p95: por qué la media no basta

La p50 o mediana es el valor que deja la mitad de los turnos por debajo y la mitad por encima: describe la experiencia típica. La p95 es el valor por debajo del cual quedan el 95 % de los turnos: describe los peores momentos habituales, los que el cliente recuerda.

En la tabla anterior, Telnyx tiene la mediana más baja, pero ElevenLabs tiene la p95 más baja: sus respuestas lentas son menos lentas. Para una recepción telefónica, la consistencia importa tanto como la mediana. Un agente que responde rápido casi siempre pero se queda tres segundos callado de vez en cuando genera más «¿hola?» que uno algo más lento pero estable.

Una cifra de latencia sin percentil, sin número de llamadas y sin periodo es, sencillamente, incompleta.

Fin de turno e interrupciones

La latencia tiene una parte que no depende de servidores rápidos: decidir cuándo ha terminado de hablar el cliente. Si el sistema espera un segundo de silencio para estar seguro, ese segundo entero se suma al hueco. Los valores por defecto de algunas plataformas son de 0,4 s y de 1.000 ms (Openbenchmarks).

Lo contrario también falla: si la IA decide demasiado pronto, pisa al cliente a mitad de frase. Y cuando el cliente interrumpe, la voz debe callarse enseguida, sin confundir un «ajá» con una interrupción. Las guías técnicas proponen parar la síntesis en 60 ms o menos al detectar una interrupción y consideran un corte en falso peor que un corte algo lento (Hamming).

Por eso medimos, además de la latencia, el tiempo de corte tras una interrupción y los cortes indebidos por cada 100 turnos.

Qué vamos a hacer nosotros

• Medir desde el teléfono de quien llama, en la grabación de la llamada, con la misma definición que usan los benchmarks independientes.
• Publicar p50, p95 y p99 con número de turnos, periodo, turnos descartados y red de origen.
• Separar el desglose medido en servidor del total oído por el cliente.
• Publicar los datos crudos en CSV y repetir la medición cada trimestre.

Todo eso irá en nuestra página de benchmark. Hasta entonces, no publicamos ninguna cifra de latencia propia. Si quieres comprobarlo tú, llama a nuestro número de demo con un cronómetro en la mano.

Si estás comparando proveedores, pide a cada uno: qué intervalo mide exactamente, desde dónde, con qué percentil, cuántas llamadas y en qué fechas. Y haz la prueba con interrupciones y con una cita real.