3.6.1 VAPI — El agente de voz que atiende llamadas por ti

Progreso del Lección

0% Completado

3.6.1VAPI — El agente de voz que atiende llamadas por ti

VAPI es la plataforma de orquestación que coordina los tres componentes de un agente de voz: el reconocimiento de voz (ASR), el modelo de lenguaje que decide la respuesta (LLM) y la síntesis de voz que habla (TTS). Su idea central es simple: configuras transcripción, modelo y voz, y luego diseñas el comportamiento con un System Prompt y reglas.

El pipeline de un agente de voz en VAPI

Flujo de la conversación

1 Audio El usuario habla por teléfono o web

2 ASR Convierte audio a texto (Deepgram)

3 LLM Decide la respuesta (OpenAI / Claude)

4 TTS Convierte texto a voz (ElevenLabs)

5 Canal El usuario escucha la respuesta en voz

La idea clave de VAPI: puedes intercambiar los proveedores de cada capa (cambiar Deepgram por otro ASR, cambiar OpenAI por Claude, cambiar ElevenLabs por otra voz) sin rehacer toda la configuración del agente. VAPI abstrae esa complejidad.

Los 5 componentes que debes configurar en cualquier agente VAPI

Componente	Qué configuras	Ejemplo práctico	Tip clave
Transcriber (ASR)	El motor que convierte el audio del usuario a texto	Deepgram: Nova-2 con idioma es (español)	Para español, verifica que el modelo soporte tu variante regional (mexicano, rioplatense, etc.)
Model (LLM)	El modelo de lenguaje que razona y genera las respuestas del agente	GPT-4o de OpenAI o Claude 3 Sonnet	Mayor calidad = mayor latencia = mayor costo por minuto. Encuentra el balance para tu caso.
Voice (TTS)	La voz sintetizada que escucha el usuario	ElevenLabs: selecciona una voz en español con tono cálido y profesional	Prueba la voz con textos que incluyan números, nombres propios y expresiones de tu sector
System Prompt	El conjunto de instrucciones que define quién es el agente y cómo se comporta	Ver plantilla completa más abajo en esta sección	La regla de oro de voz: una pregunta a la vez y respuestas de máximo 2 oraciones
Tools + Server URL	Las herramientas que el agente puede usar para consultar o registrar datos externos	URL de un webhook de Make o n8n que consulta disponibilidad en Google Calendar	Las herramientas convierten al agente de solo-texto a agente que actúa en sistemas reales

System Prompt completo para agente de voz de reservas (adaptable)

Plantilla · System Prompt

IDENTIDAD: Eres [nombre del agente], el asistente de voz de [nombre de la empresa]. Tu tono es cálido, profesional y claro. Eres conciso en voz: nunca des más información de la que se necesita en ese momento.

OBJETIVO: Gestionar reservas de [tipo de servicio] de forma eficiente, capturar los datos necesarios y confirmar la cita al cliente.

REGLAS CRÍTICAS DE VOZ:
• SIEMPRE haz UNA sola pregunta a la vez. Nunca dos en la misma frase.
• Responde en MÁXIMO 2 oraciones. El usuario no puede leer, solo escuchar.
• Si no tienes un dato, PREGUNTA. NUNCA inventes ni asumas información.
• Siempre CONFIRMA el resumen completo antes de cerrar: nombre, fecha, hora y servicio.
• Si el usuario pide hablar con un humano o el caso es urgente o sensible: ESCALA con el mensaje del protocolo.

FLUJO DE RESERVA (en este orden exacto):
1. Saludo cálido y pregunta por el servicio que necesita
2. Pregunta por nombre completo
3. Pregunta por fecha preferida
4. Pregunta por hora preferida
5. [Si hay herramienta de disponibilidad: verificar antes de confirmar]
6. Confirmación completa: "Perfecto. Confirmo tu cita: [nombre], el [fecha] a las [hora] para [servicio]. ¿Es correcto?"
7. Cierre cálido

ESCALAMIENTO: Mensaje exacto a usar: "Para ayudarte mejor, voy a transferirte con un especialista de nuestro equipo. Ya registré tu información y te atenderán en breve."

POLÍTICAS:
• No pedir datos bancarios ni contraseñas por ningún motivo
• No dar precios a menos que el usuario los solicite expresamente
• Si no entiendes después de 2 intentos, escala al equipo humano

Checklist de calidad antes de activar tu agente VAPI

Hace una sola pregunta a la vez (nunca dos en la misma frase)
Sus respuestas tienen máximo 2 oraciones (se escucha natural en voz)
Cuando falta un dato, pregunta en lugar de inventar
Siempre cierra con un resumen completo de la información capturada
Tiene criterios claros de escalamiento definidos (cuándo llama a un humano)
Se entiende correctamente en español con el ASR configurado

Inteligencia Artificial y Automatización Nivel 1

Bienvenida

Participantes 587

3.6.1 VAPI — El agente de voz que atiende llamadas por ti