Voice Agent
Voice Agent convierte un flujo de NappAI en un agente que atiende llamadas de teléfono o desde el navegador. El llamante habla, el agente le escucha, piensa con el modelo conectado y responde con voz. Cuando necesita hacer algo, como consultar un pedido, transferir la llamada o colgar, usa las herramientas que le conectes.
Es un disparador: el flujo no se ejecuta de arriba abajo, sino una vez por cada llamada. Un flujo solo puede tener un nodo Voice Agent. Esta página es la referencia de cada campo del nodo; la guía paso a paso está en Crear un agente de voz y la visión de conjunto, en Introducción al agente de voz.
Si prefieres un solo modelo que oiga, piense y hable, sin STT, modelo y TTS por separado, usa Voice Agent Realtime.
Cuándo usarlo
- Quieres atender por teléfono, a cualquier hora, preguntas frecuentes de tus clientes: horarios, estado de un pedido, precios.
- Quieres una recepcionista virtual que pase cada llamada al departamento adecuado.
- Quieres un asistente de voz en tu web que los visitantes puedan usar desde el navegador.
- Quieres que un flujo haga llamadas salientes, por ejemplo recordatorios de citas, con Outbound Call.
Configuración
Conectores
Debajo del nodo hay cuatro conectores. Model, STT y TTS son obligatorios.
| Conector | Qué conectas |
|---|---|
| Tools | Lo que el agente puede hacer durante la llamada: cualquier componente de NappAI en modo herramienta (tu CRM, una base de datos, el correo, una búsqueda web, un sub-flujo…), un sub-agente y las herramientas de llamada Transfer Call, Hang Up Call y Say to Caller. El agente decide cuándo usar cada una a partir de su descripción. |
| Model (obligatorio) | El modelo que dirige la conversación. Sus ajustes, como la credencial o el razonamiento, se configuran en ese componente. Los modelos que puedes usar se indican en Crear un agente de voz. |
| STT (obligatorio) | Cómo oye el agente: un componente de la familia Voice Agent que termina en STT, como Parakeet (local, multilingual). |
| TTS (obligatorio) | Cómo habla el agente: un componente que termina en TTS, como Supertonic (local). |
Con Fallback Engines activado aparecen tres conectores más: Fallback model, Fallback STT y Fallback TTS. Con Waiting Phrases en Another model aparece el conector Waiting Phrases. Con Guardrails activado aparece Guardrail Model. Con Enable Skills activado aparece Skills. Se explican abajo.
Pestaña Comun
| Campo | Qué hace |
|---|---|
| Agent Name (obligatorio) | El nombre del agente en el menú Voice Agent, en el widget y en el historial. Identifica sus llamadas. |
| Greeting | La primera frase que dice el agente al conectar la llamada. Por defecto, «Hola, ¿en qué puedo ayudarte?». |
| System Prompt | Quién es el agente, qué sabe y cómo debe comportarse. La plataforma añade encima las reglas de una llamada (idioma, uso de herramientas, forma de hablar), así que aquí solo va lo propio de tu negocio. |
| Enabled | Apaga el agente sin despublicarlo. Activado por defecto. |
| Fallback Engines | Mantiene la llamada cuando un proveedor falla. Activado, aparecen los conectores Fallback model, Fallback STT y Fallback TTS, que solo se usan si el principal deja de responder. Conecta solo los que quieras respaldar. Desactivado por defecto. |
El modelo de reserva recibe la misma conversación y las mismas herramientas, así que conviene que sea de otro proveedor y que sepa usar herramientas. La voz de reserva debe hablar el mismo idioma.
Call Ambience
Un silencio absoluto suena a llamada cortada. Por eso el ambiente de oficina y el teclado mientras trabaja una herramienta vienen activados.
| Campo | Qué hace |
|---|---|
| Background Ambience | Un sonido de fondo suave durante toda la llamada: office (por defecto), city, forest o crowded_room. Vacío, sin ambiente. |
| Ambience Volume | Volumen del ambiente, de 0 (silencio) a 1 (tan alto como la voz). Por defecto, 0,12: apenas se nota, que es la idea. |
| Typing While Working | Suena un teclado solo mientras una herramienta está trabajando. Activado por defecto. |
| Typing Volume | Volumen de ese teclado, de 0 a 1. Por defecto, 0,25. |
| Typing While Thinking | Suena un teclado suave mientras el agente prepara su respuesta, para que la pausa no sea silencio. Se para en cuanto el agente habla. Desactivado por defecto. |
| Thinking Volume | Volumen de ese teclado, de 0 a 1. Por defecto, 0,15. |
Timeouts
| Campo | Qué hace |
|---|---|
| Maximum Call Duration (S) | Lo máximo que puede durar una llamada, en segundos. Al llegar, el agente se despide y cuelga. Por defecto, 600. |
| Inactivity Before Hanging Up (S) | Segundos de silencio antes de actuar por inactividad. Nunca salta mientras una herramienta trabaja o queda un resultado por dar. Por defecto, 45. |
| Tool Calls | Cómo conviven las herramientas con la conversación. In the background (por defecto): la conversación sigue mientras una herramienta trabaja, puede haber varias a la vez y, si una tarda, el agente dice una frase corta de espera. One at a time: el agente espera cada resultado antes de hablar y las herramientas se ejecutan una detrás de otra. |
| Tool Timeout (S) | Cuánto espera el agente a una herramienta antes de disculparse. Por defecto, 240. |
| Ask Before Hanging Up | Activado (por defecto), tras el silencio el agente pregunta si el llamante sigue ahí y solo cuelga tras un segundo silencio igual de largo. Desactivado, se despide y cuelga al primer silencio. |
| Still There? Phrase | Lo que dice el agente para comprobar si el llamante sigue en línea, palabra por palabra. Vacío, el agente lo pregunta con sus palabras en el idioma de la llamada. |
| Farewell After Inactivity | Lo que oye el llamante antes de colgar por inactividad, palabra por palabra. Vacío, el agente se despide brevemente en el idioma del llamante. |
| Farewell At Maximum Duration | Lo que oye el llamante al llegar a la duración máxima, palabra por palabra. Vacío, el agente lo explica y se despide en el idioma del llamante. |
Call recording
| Campo | Qué hace |
|---|---|
| Record Calls | Guarda el audio de cada llamada, del llamante y del agente, junto a su transcripción en el historial, donde se puede escuchar. Las grabaciones se conservan durante un periodo fijo que decide la plataforma. Avisar al llamante de que se graba es responsabilidad tuya, normalmente en el Greeting. Desactivado por defecto. |
Pestaña Avanzado
Los valores por defecto están pensados para llamadas telefónicas con ruido. No hace falta tocarlos para empezar. Cómo afectan a la calidad y a la rapidez se explica en Calidad, ruido y latencia.
Guardrails
| Campo | Qué hace |
|---|---|
| Guardrails | Revisa cada acción que el agente va a hacer con sus herramientas contra tus reglas. Una acción que rompe una regla no se hace y el agente se lo explica a quien llama. Viene apagado. |
| Guardrail Rules | Las reglas, con palabras normales y una por línea, mejor con el motivo. |
| If The Check Fails | Qué pasa si la revisión no se puede hacer: Let the request through (por defecto) o Refuse the request. |
Con Guardrails activado aparece el conector Guardrail Model para el modelo que revisa: uno pequeño y rápido. Más detalles en Guardrails.
Skills
| Campo | Qué hace |
|---|---|
| Enable Skills | Deja que el agente use skills de NappAI durante la llamada. Viene apagado. |
Con Enable Skills activado aparece debajo del nodo el conector Skills. Ahí conectas las mismas skills que usa un Deep Agent: una Managed Skill de la biblioteca de NappAI o una Stored Skill de tu gestor de skills. Puedes conectar varias.
Así funcionan en una llamada:
- El agente solo ve el nombre y la descripción de cada skill. Cuando lo que pide el llamante encaja con una, la lee antes de responder. La lectura es instantánea; a veces el agente dice antes una frase corta, como «déjame consultarlo».
- Lo que lee se queda en sus instrucciones el resto de la llamada. No lo vuelve a leer, y la memoria de la conversación nunca lo recorta.
- Solo lee los ficheros de texto de la skill. Sus scripts no se ejecutan en una llamada.
- Si la llamada pasa a otro agente de voz, este usa sus propias skills.
Si activas Enable Skills sin conectar ninguna skill, el flujo no se puede publicar: el aviso te dice que conectes una o lo apagues. Con el campo apagado el agente funciona exactamente igual que sin skills, aunque queden conectadas.
Model Reasoning
| Campo | Qué hace |
|---|---|
| Reasoning Format | Qué pasa con lo que piensa un modelo que razona antes de responder. hidden (por defecto): solo llega la respuesta, que es lo que necesita una llamada. parsed: el razonamiento llega aparte, para revisarlo. Cuánto razona el modelo se ajusta en el propio componente del modelo. |
Waiting Phrases
| Campo | Qué hace |
|---|---|
| Waiting Phrases | Mientras una herramienta tarda, el agente dice frases cortas para que el llamante no se quede en silencio. Agent's model (por defecto): las escribe el mismo modelo del agente. Another model: aparece el conector Waiting Phrases para conectar un segundo modelo, pequeño y rápido. Off: no se dice nada mientras se espera. |
| Phrase Length | Cuánto duran las frases de espera, también la que dice el agente al empezar una herramienta. Short: de 5 a 10 palabras. Medium (por defecto): de 12 a 18. Long: de 20 a 30. Es una guía para el modelo, no un tope exacto. |
| Instructions | Cómo deben sonar las frases de espera. |
| Silence Before Speaking (S) | Segundos de silencio tras las últimas palabras del agente antes de una frase de espera. Por defecto, 5. |
| Minimum Gap (S) | Separación mínima entre dos frases de espera. Por defecto, 9. |
| Initial Wait (S) | El aviso de la propia herramienta cubre los primeros segundos; se espera este tiempo antes de la primera frase. Por defecto, 8. |
Conversation memory
Decide qué parte de la llamada ve el modelo en cada turno. La transcripción completa se guarda siempre en el historial; esto solo cambia lo que lee el modelo.
| Campo | Qué hace |
|---|---|
| Conversation Memory | Keep recent messages (por defecto): solo los últimos mensajes. Summarize older messages: los turnos antiguos se condensan en un resumen corto que el modelo sigue leyendo. Full conversation: todo, hasta que el modelo no admita más. |
| Messages To Keep | Cuántos mensajes recientes ve el modelo palabra por palabra. Un turno son dos mensajes y cada uso de una herramienta añade otros dos. Por defecto, 40. |
| Approximate Token Budget | Tamaño aproximado del historial que ve el modelo, en tokens (unos cuatro caracteres cada uno). Si los mensajes recientes lo superan, los antiguos se quitan o se resumen. Por defecto, 8000. |
| Summary Instructions | Qué debe conservar el resumen de los turnos antiguos. Solo aparece con Summarize older messages. |
VAD and Audio
Estos campos deciden cómo se detecta la voz del llamante, cuándo ha terminado de hablar y cuándo puede interrumpir al agente.
| Campo | Qué hace |
|---|---|
| Speech Sensitivity | Cuánta seguridad necesita el sistema de que oye una voz para contarla como habla del llamante, de 0 a 1. Más alto ignora más ruido; más bajo capta a quien habla muy bajo. Por defecto, 0,7. |
| Minimum Speech Duration (S) | Los sonidos más cortos se ignoran, para que una tos o un clic no cuenten como habla. Por defecto, 0,25. |
| Silence For End Of Turn (S) | Cuánto debe callar el llamante para que el agente dé la frase por terminada y responda. Más corto responde antes, pero puede cortar a la gente. Por defecto, 0,4. |
| Speech End Sensitivity | Cuánta seguridad necesita el sistema de que la voz ha parado, de 0 a 1. Con 0 (por defecto) se ajusta solo. Súbelo en salas muy ruidosas si el ruido mantiene abierto el turno del llamante. |
| Longest Wait For End Of Turn (S) | Si el llamante duda o termina con algo como «vale, gracias», el agente espera en silencio hasta este máximo antes de responder. 1 (por defecto) va bien para atención rápida; entre 1,5 y 2 si se dictan números o hay explicaciones largas. |
| End-of-turn Confidence | Cuánta seguridad necesita el agente de que el llamante ha terminado para responder enseguida, en vez de esperar el máximo anterior. Más bajo responde antes; más alto deja más margen a las pausas. Con 0 (por defecto) se ajusta solo según el canal. |
| Second end-of-turn check | Cuando el agente duda si el llamante ha terminado, un segundo modelo escucha cómo sonaron sus últimas palabras (la entonación y el ritmo). Si está seguro de que ha terminado, el agente responde enseguida en vez de esperar el máximo de Longest Wait For End Of Turn (S). En raras ocasiones puede empezar a responder durante una pausa larga. Activado por defecto. |
| Leading Padding (S) | Audio que se conserva de justo antes de detectar la voz, para no perder la primera sílaba. Por defecto, 0,5. |
| Minimum Duration To Interrupt (S) | Cuánto debe hablar el llamante para interrumpir al agente mientras habla. Por defecto, 0,8: deja pasar una objeción real e ignora un claxon o una palabra de la tele. |
| Resume After False Interruption (S) | Si el agente se paró porque creyó oír al llamante, pero no llegan palabras en este tiempo, retoma su frase donde la dejó. Por defecto, 1,5. |
| Minimum Words To Interrupt | Palabras que debe decir el llamante para que el agente deje de hablar. Por defecto, 2. Con 0, una sola palabra, aunque venga de una tele, corta al agente. Se usa con los STT que transcriben mientras el llamante habla. |
| Ignore Other Voices | Aprende la voz del llamante y la distingue de las demás. Una voz que no es la suya, como alguien detrás o una tele, no corta al agente y, cuando el llamante ya está reconocido, tampoco recibe respuesta. No añade espera y funciona con cualquier STT. Activado por defecto. |
| Other Voices: How Strict | gentle ignora solo voces claramente distintas de la del llamante; balanced (por defecto) es el punto medio recomendado; strict ignora más voces de fondo y, de vez en cuando, el llamante tendrá que repetir una palabra muy corta. |
| Noise Reduction | Limpia el ruido de fondo y separa la voz del llamante del murmullo antes de decidir si está hablando. Activado por defecto. Consulta cómo escucha el agente. |
| Noise Reduction Strength | De 0 (suave) a 3 (fuerte). Más fuerte quita más ruido, pero puede hacer más fina la voz del llamante. Por defecto, 1. |
| Echo Cancellation | Quita la voz del propio agente si vuelve por el micrófono del llamante, como pasa con un manos libres. Actívalo solo si oyes al agente reaccionar a sí mismo. Desactivado por defecto. |
| Automatic Gain Control | Iguala a los llamantes que hablan muy alto o muy bajo. Desactivado por defecto, porque mientras el llamante calla también sube el fondo y una segunda voz en la sala se oye más. |
Call context
| Campo | Qué hace |
|---|---|
| Tell The Model About The Call | Antes de que hable el llamante, el modelo recibe la fecha y la hora, el número que llama, el número marcado y si la llamada llega por teléfono o por la web. En una llamada desde el widget, quién llama es lo que indique la página con el parámetro caller (ver Web widget). Son solo datos: qué hace el agente con ellos lo decide tu System Prompt. Activado por defecto. |
| Time Zone | La zona horaria en que se dan la fecha y la hora, con su nombre internacional, por ejemplo Europe/Madrid (por defecto) o America/Mexico_City. |
Los números de teléfono, los trunks SIP y el avatar del widget no son campos del nodo: se eligen al publicar el agente en el menú Voice Agent.
Resultado
El nodo tiene dos salidas, Tool Result y Tools Connected. Las usa la propia plataforma de voz para ejecutar las herramientas del agente durante la llamada: no hace falta conectarlas a nada.
Lo que pasa en cada llamada (la transcripción, las herramientas usadas, la grabación si está activada y el motivo del final) queda en el historial de llamadas.
Ejemplo
Una tienda online quiere atender por teléfono las preguntas sobre pedidos.
- Añade un Voice Agent al lienzo.
- Conecta un componente de modelo a Model, Parakeet (local, multilingual) a STT y Supertonic (local) a TTS.
- Escribe en Agent Name «Atención al cliente» y en Greeting «Hola, soy la asistente de la tienda. ¿En qué puedo ayudarte?».
- En System Prompt, explica qué puede consultar y cuándo transferir o colgar.
- Conecta a Tools el componente que consulta los pedidos en modo herramienta, un Transfer Call hacia el equipo de soporte y un Hang Up Call.
- Prueba en el playground, despliega el flujo y publícalo en el menú Voice Agent.
Buenas prácticas
- Escribe el prompt para el oído: frases cortas, una idea cada vez, sin listas ni tablas. Más consejos en Crear un agente de voz.
- Di en el prompt cuándo usar cada herramienta, por ejemplo «si preguntan por facturas, transfiere a finanzas».
- Marca como obligatorios los argumentos que una herramienta necesita para hacer su trabajo: el agente respeta lo que declara cada herramienta en el flujo.
- Sin Hang Up Call el agente no puede colgar: la llamada acaba cuando cuelga el llamante, por inactividad o por la duración máxima.
- Prueba en el playground antes de publicar. El playground usa el borrador que estás editando; las llamadas reales usan la versión publicada.
- Si activas Record Calls, avisa al llamante de que se graba.
- Deja Noise Reduction activado si tus clientes llaman desde la calle, el coche o lugares con gente.
- Usa skills para los procedimientos largos (devoluciones, reservas, normas internas) en lugar de meterlo todo en el System Prompt: el agente solo los lee cuando la llamada los necesita.
Componentes relacionados
- Voice Agent Realtime: la alternativa con un solo modelo en tiempo real que oye, piensa y habla.
- Transfer Call: pasa la llamada a otro agente, a un teléfono o a una dirección SIP.
- Hang Up Call: se despide y cuelga.
- Say to Caller: lee un texto palabra por palabra.
- Outbound Call: hace que un flujo llame por teléfono con este agente.
- Parakeet (local, multilingual) y Supertonic (local): el oído y la voz recomendados para empezar.
- Managed Skill y Stored Skill: las skills que el agente puede leer con Enable Skills activado.