El oído del agente: qué es el STT
| Fase | F1 — Cimientos, seguridad y arquitectura del sistema |
|---|---|
| Módulo | M1.2 — Modelos mentales: radiografía de un agente telefónico |
| Puntos de profesionalidad al superar el test | 15 |
Objetivo práctico
Al terminar esta lección podrás explicar qué es el STT (reconocimiento de voz), qué papel cumple en un agente telefónico y qué factores hacen que transcriba mejor o peor lo que dice la persona que llama.
Resultado que obtendrás
Un modelo mental claro de la primera pieza del flujo de una llamada: cómo la voz humana se convierte en texto que el LLM puede procesar.
Dónde encaja dentro del sistema final
En el sistema TELÉFONO → AGENTE → CEREBRO → VOZ → AUTOMATIZACIÓN → CALENDARIO, el STT es el «oído»: convierte lo que dice la persona que llama en texto, antes de que ese texto llegue al LLM (el cerebro).
Conocimientos previos
- Lección anterior: «El cerebro del agente: qué es un LLM».
Herramientas necesarias
- Un navegador con NVDA activo, en modo de exploración.
Posible coste
Esta lección es conceptual y no requiere ningún gasto. El coste real del STT en producción se calcula en el módulo 2.1, «Gestión financiera y eliminación de riesgos».
Modelo mental
Piensa en el oído humano y en una secretaria que escribe exactamente lo que oye, palabra por palabra, mientras alguien habla por teléfono. Esa secretaria no interpreta el significado de lo que se dice: sólo transcribe el sonido en texto, con la mayor fidelidad posible. Esa es exactamente la función del STT dentro del sistema.
Explicación
STT son las siglas de Speech To Text (voz a texto). Es la tecnología que convierte el audio de la voz humana en texto escrito, en tiempo real durante una llamada. El STT es una pieza separada del LLM: primero se transcribe lo que dice la persona (STT), y sólo después ese texto se envía al LLM para que decida qué responder.
La calidad de la transcripción depende de varios factores: la claridad del audio (ruido de fondo, calidad de la línea), el acento y la velocidad al hablar, el vocabulario específico del sector (nombres propios, términos técnicos), y el idioma configurado. Un STT mal configurado —por ejemplo, en el idioma equivocado— puede hacer que toda la conversación falle desde el primer segundo, aunque el LLM y la voz de salida (TTS) estén perfectamente configurados. Por eso, en el método de diagnóstico por descarte de este curso (módulo 4.1), comprobar la transcripción es uno de los primeros pasos cuando una llamada «no entiende nada» de lo que dice la persona.
Vocabulario nuevo
STT
Piénsalo así: El oído y la secretaria que transcribe literalmente lo que escucha.
Speech To Text: tecnología que convierte audio de voz en texto escrito.
Ejemplo: Cuando llamas a un agente y dices «quiero pedir cita para el jueves», el STT convierte ese audio en el texto «quiero pedir cita para el jueves» antes de que el LLM lo procese.
Preparación
No se requiere preparación técnica.
Procedimiento paso a paso
Contexto: Vas a localizar el término «STT» en el Glosario acumulativo de esta plataforma y a comprobar el enlace que te lleva de vuelta a esta lección.
Acción de teclado: Abre el Glosario (
/glosario.php) y pulsa H hasta el encabezado de nivel 2 «S», y después hasta el encabezado de nivel 3 «STT».Respuesta esperada de NVDA: NVDA debería anunciar «STT, encabezado de nivel 3» al llegar.
Qué significa: Confirmas que el término está documentado y accesible por navegación de encabezados, sin depender de desplazamiento visual.
Acción siguiente: Sigue leyendo con la flecha abajo hasta el enlace «Aparece por primera vez en…» y confirma que apunta a esta misma lección.
Contexto: Comprueba que ese enlace funciona y te devuelve al punto correcto.
Acción de teclado: Con el foco sobre el enlace «Aparece por primera vez en…», pulsa Enter.
Respuesta esperada de NVDA: NVDA debería anunciar el título de esta lección, «El oído del agente: qué es el STT», al cargar la página.
Qué significa: El glosario y las lecciones están enlazados entre sí en ambas direcciones, lo que te permite moverte por el curso sin perder el hilo.
Acción siguiente: Vuelve atrás con el navegador si quieres seguir explorando otros términos del glosario.
Errores frecuentes y diagnóstico
El agente responde de forma completamente incoherente a lo que la persona ha dicho.
Cómo localizarlo: Antes de sospechar del LLM (el cerebro), conviene comprobar la transcripción real que ha generado el STT: si la transcripción ya está mal, el LLM está respondiendo correctamente a un texto equivocado.
Solución: Revisar en los registros (logs) de la plataforma de voz qué texto exacto se transcribió, y compararlo con lo que realmente se dijo. Se explica en detalle en el módulo 4.1, «Logs sin saturación».
Comprobación final
Explica con tus palabras la diferencia entre el STT y el LLM: uno transcribe, el otro decide qué responder. Si puedes dar un ejemplo de un fallo que sería culpa del STT y otro que sería culpa del LLM, la comprobación es positiva.
Qué acabas de conseguir
Sabes distinguir la primera pieza del flujo de la llamada (el oído) del resto del sistema, lo que te permitirá diagnosticar con más precisión cuándo algo falla.
Ejercicio práctico
Piensa en tres situaciones reales que podrían dificultar una buena transcripción por STT (por ejemplo, una persona llamando desde un lugar ruidoso) y anota cómo podrías comprobar, sin herramientas técnicas todavía, si el problema viene de ahí.
Resumen de lo imprescindible
- STT significa Speech To Text: convierte voz en texto.
- Es una pieza separada del LLM: primero se transcribe, después se interpreta.
- La calidad del audio, el acento, la velocidad y el idioma configurado afectan a la transcripción.
- Ante una respuesta incoherente del agente, comprobar la transcripción es un paso de diagnóstico temprano.
No necesitas aprender todavía
Todavía no necesitas saber qué proveedor concreto de STT usa cada plataforma (Vapi, Retell): eso se explica cuando configures cada una, en la Fase 2.
Estoy preparado para continuar si puedo…
- Explicar qué es el STT y diferenciarlo del LLM.
- Explicar por qué comprobar la transcripción es un paso de diagnóstico temprano.
- Nombrar al menos dos factores que afectan a la calidad de una transcripción.
Fuentes
Última actualización de esta lección: 2026-02-10.
Test de la lección
Para realizar el test y obtener Puntos de profesionalidad necesitas iniciar sesión o crear una cuenta.
Navegación
Lección anterior: El cerebro del agente: qué es un LLM
Continuar con la siguiente lección: La voz del agente: qué es el TTS