Crear prompts de IVR y de teléfono solía implicar reservar sesiones de grabación, contratar locutores y esperar días por los archivos. El texto a voz con IA lo ha cambiado por completo. Este artículo te muestra exactamente cómo escribir, generar e implantar audio telefónico profesional para cualquier sistema empresarial, en cualquier idioma.
Crear un sistema telefónico profesional que suene realmente humano solía requerir un estudio de grabación, un locutor contratado y un calendario de producción que se extendía a lo largo de semanas. La IA ha vuelto obsoleto ese proceso. Hoy, con las herramientas adecuadas de texto a voz, puedes producir prompts de IVR (Interactive Voice Response, respuesta de voz interactiva) pulidos en minutos, con control total del tono, el ritmo y el idioma. La calidad ya no es una concesión.
IVR significa Interactive Voice Response. Es la capa de audio que saluda a quien llama cuando contacta con una empresa, lo dirige por las opciones del menú, lo pone en espera y le transmite información grabada. Cada prompt de ese sistema es un archivo de audio corto, normalmente de entre 3 y 30 segundos, que se activa según lo que pulse o diga la persona que llama.
Una configuración típica de IVR incluye varios tipos de prompts:
Cada archivo necesita una voz, un tono y un ritmo coherentes en todas las grabaciones. Esa coherencia es lo que hace que la IA sea una mejor solución que rotar locutores.
El primer audio que escucha quien llama fija sus expectativas para todo lo que viene después. Una grabación de mala calidad, una voz que suena a robot o un guion que parece un documento legal transmiten todos lo mismo: a esta empresa no le importa la experiencia que ofrece. En cambio, un prompt de IVR bien elaborado genera confianza antes de que responda un solo agente humano.
💡 Consejo: el usuario medio decide si se queda en espera o cuelga en los primeros 8 segundos. El guion del saludo y la calidad de la voz son las dos variables que controlas por completo.
Las tarifas profesionales de locución para paquetes de prompts de IVR suelen oscilar entre $200 y $1,500 por proyecto, según el número de archivos, los requisitos de idioma y las rondas de revisión. Eso sin contar las tarifas de estudio, el procesamiento de archivos y el retraso que supone la programación. Para una empresa que necesita actualizar mensajes de temporada, añadir nuevas opciones de menú o localizar en varios idiomas, esos costos se multiplican rápido.
Las grabaciones tradicionales te atan a la versión que aprobaste. Cambiar un número de teléfono en un prompt implica reservar de nuevo la sesión o pagar una grabación de corrección que nunca encaja del todo con el tono original. La IA elimina por completo esa limitación: cambias el guion, regeneras y listo.
Una empresa que contrata un nuevo locutor para su segundo lote de prompts acaba con un sistema de IVR que suena como si fuera de dos compañías distintas. La IA mantiene una coherencia perfecta: la misma voz, la misma prosodia, el mismo estilo, sin importar cuántos meses pasen entre actualizaciones.
Los prompts telefónicos más eficaces comparten una cualidad: no desperdician palabras. Quien llama no está en modo lectura, sino en modo tarea. Llamó por un motivo concreto y quiere que lo encaminen lo antes posible. Cada palabra de más es fricción.
| Tipo de prompt | Duración ideal | Duración máxima |
|---|---|---|
| Saludo de bienvenida | De 8 a 12 segundos | 15 segundos |
| Conjunto de opciones de menú | De 15 a 20 segundos | 25 segundos |
| Mensaje de espera | De 20 a 30 segundos | 45 segundos |
| Confirmación | De 5 a 10 segundos | 15 segundos |
| Error/reintento | De 5 a 8 segundos | 10 segundos |
El texto que se lee bien en una página suele sonar mal cuando se pronuncia en voz alta. Escribe los guiones de IVR como los dirías en una conversación. Frases cortas. Nada de cláusulas anidadas. Escribe los números y las abreviaturas con todas sus letras.
Mal ejemplo: "Para ser atendido por uno de nuestros representantes de atención al cliente, altamente cualificados, que pueden ayudarte con cualquier consulta relacionada con la facturación, pulsa ahora el número uno de tu teclado."
Buen ejemplo: "Para facturación, pulsa 1. Para soporte técnico, pulsa 2. Para hablar con un agente, pulse 0."
La memoria de trabajo humana retiene de forma fiable unos 5 a 7 elementos. Los sistemas de IVR que ofrecen 9 o 10 opciones en un solo menú provocan parálisis a la hora de decidir y que quien llama abandone. Limita cualquier menú a un máximo de 4 opciones. Si tu sistema es más complejo, usa submenús con etiquetas claras.
💡 Consejo: coloca siempre como opción 1 el motivo más habitual por el que llama la gente. No organices los menús según la estructura interna de departamentos. Organízalos según el comportamiento de quien llama.
El flujo de trabajo moderno de conversión de texto a voz con IA para la producción de IVR es sencillo. Escribes tu guion, lo pegas en la herramienta, eliges una voz y exportas. El plazo que antes llevaba días ahora lleva minutos. Y, lo más importante, puedes iterar en tiempo real, ajustando el ritmo, el énfasis y el tono en la misma sesión.
Las voces de IA no tienen días malos. No se resfrían, no cambian su forma de hablar entre sesiones ni cobran más por una entrega urgente. Una vez que eliges una voz y configuras los ajustes, cada prompt que generes con esa voz sonará como si hubiera salido de la misma sesión de grabación.
Las empresas que atienden a varias regiones solían necesitar un locutor distinto para cada idioma. La conversión de texto a voz con IA maneja decenas de idiomas y acentos desde una sola interfaz. ElevenLabs v2 Multilingual admite más de 30 idiomas de forma nativa, y Gemini 3.1 Flash TTS cubre más de 70 idiomas. El mismo flujo de trabajo produce versiones en español, francés, portugués y alemán de todo tu IVR en una sola tarde.
Picasso IA te da acceso directo a ElevenLabs V3, uno de los modelos de síntesis de voz con sonido más natural disponibles. Este es un proceso paso a paso para producir prompts de IVR con él.
Paso 1: abre el modelo
Ve a ElevenLabs V3 en Picasso IA. La interfaz carga con un campo de texto y un panel de selección de voz a la derecha.
Paso 2: pega tu guion
Escribe el texto de tu prompt tal y como quieres que se pronuncie. Para IVR, eso significa frases cortas y claras. Ejemplo:
"Gracias por llamar. Para ventas, pulsa 1. Para soporte, pulsa 2. Para hablar con el próximo agente disponible, pulse 0."
Paso 3: elige tu voz
V3 ofrece una variedad de voces, incluidos tonos profesionales neutros ideales para la telefonía empresarial. Elige una voz con un tono medio y una velocidad de habla moderada. Evita las voces demasiado cálidas o teatrales para IVR, ya que pueden resultar incoherentes con lo que espera quien llama.
Paso 4: ajusta los parámetros clave
Paso 5: genera y exporta
Haz clic en generar. El resultado es un archivo de audio limpio, listo para subir a tu plataforma de IVR. Para la mayoría de sistemas telefónicos, exporta en WAV a 8 kHz o 16 kHz mono, o en MP3 a 64 kbps para sistemas en la nube.
💡 Consejo: genera todos los prompts en una sola sesión. No cambies de voz ni reinicies la plataforma entre archivos. La coherencia a nivel de sesión produce los mejores resultados de coincidencia en toda tu biblioteca de prompts.
Cada plataforma tiene fortalezas distintas. Así se comparan las principales opciones para casos de uso de IVR en concreto.
Para las empresas que necesitan producir prompts con rapidez y a gran escala, ElevenLabs Flash v2.5 ofrece una generación rápida con una calidad de salida sólida. Speech 2.8 HD by Minimax prioriza la fidelidad de audio, por lo que es mejor para grabaciones críticas para la marca, donde la calidad no es negociable.
| Modelo | Ideal para | Idiomas | Velocidad |
|---|---|---|---|
| ElevenLabs V3 | Fraseo natural, tono profesional | 30+ | Media |
| ElevenLabs Flash v2.5 | Producción de prompts en lote | 32 | Rápida |
| Speech 2.8 HD | Salida de alta fidelidad | 10+ | Media |
| Gemini 3.1 Flash TTS | Sistemas multilingües | 70+ | Rápida |
| Qwen3 TTS | Clonación de voz y voces personalizadas | 10+ | Media |
| Chatterbox | Prompts con emoción controlada | Inglés | Media |
Si tu empresa ya tiene una voz reconocible de grabaciones anteriores, Minimax Voice Cloning y Qwen3 TTS te permiten crear una voz de IA personalizada a partir de muestras de audio existentes. Esto preserva la continuidad de la marca y te da toda la flexibilidad de la generación con IA a partir de ahora. Se acabó perseguir al locutor original cada vez que cambia un guion.
Algunos sistemas de IVR usan flujos conversacionales en los que se alternan dos voces. PlayHT Play Dialog está diseñado precisamente para esto: genera audio de diálogo natural entre dos hablantes a partir de un único guion, lo que resulta útil para prompts de demostración o secuencias de bienvenida que simulan una conversación.
Las redes telefónicas comprimen el audio de forma agresiva. El códec estándar G.711, que se usa en la mayoría de los sistemas PSTN y VoIP, funciona a 8 kHz, lo que corta cualquier frecuencia de audio por encima de 4 kHz. Eso significa que el detalle de una grabación de voz de IA rica y de calidad de estudio se pierde en parte durante la transmisión. La solución es sencilla: genera tus prompts a la frecuencia de muestreo de destino desde el principio.
Para la telefonía tradicional:
Para sistemas VoIP y en la nube (Twilio, Vonage, Amazon Connect):
💡 Consejo: prueba siempre tus prompts generados en una llamada telefónica real antes de desplegarlos en producción. La calidad del altavoz de un teléfono inteligente no es representativa de lo que oye quien llama a través de un códec telefónico.
El audio generado con IA suele tener niveles de volumen irregulares entre archivos. Antes de subir a tu plataforma de IVR, normaliza todo el audio a -16 LUFS (el estándar de radiodifusión para la voz). Cualquier editor de audio gratuito, como Audacity, puede normalizar los archivos por lotes en menos de un minuto. Este único paso elimina los saltos bruscos de volumen que quien llama nota entre el saludo y las opciones del menú.
La cortesía en los prompts de IVR tiene rendimientos decrecientes. Un "por favor" en el mensaje de bienvenida es apropiado. Decir "por favor, pulse 1, por favor, espere, por favor, escuche atentamente las siguientes opciones" acumula tiempo muerto que quien llama no tolera. Elimina todos los "por favor" innecesarios a partir del primero.
Si el 70 por ciento de tus usuarios quiere la opción 3, ponla primera. La mayoría de las empresas organizan los menús de IVR según su jerarquía interna (ventas primero porque ventas es lo más importante internamente) en lugar de según el comportamiento real de quien llama. Revisa tus registros de llamadas y reordena según el volumen de llamadas por opción. Quien llama lo notará, aunque no sepa explicar por qué el sistema le parece más rápido.
"Pulse 1 para nuestro equipo de Éxito del Cliente" no significa nada para quien solo quiere ayuda con un error de facturación. Usa un lenguaje sencillo: "Pulsa 1 para consultas de facturación". Los nombres internos de departamentos no tienen cabida en el audio que escucha quien llama.
Todo menú de IVR necesita un mensaje de tiempo de espera para quienes no pulsen nada durante un período determinado. Un buen prompt de tiempo de espera repite las opciones una vez y luego deriva a un agente en vivo o al buzón de voz. Sin él, lo que vive quien llama es silencio seguido de una desconexión, y eso destruye la impresión de marca que te costó dinero construir.
El antiguo proceso de producción de audio telefónico tenía fricciones reales: reservar talento, esperar archivos, pagar revisiones. Las herramientas disponibles a través de las plataformas de IA eliminan todo eso. Puedes escribir un guion de IVR completo por la mañana y tener archivos de audio listos para producción por la tarde, en todos los idiomas en los que opera tu empresa, con una voz que se mantiene coherente durante años.
Picasso IA te da acceso a los modelos de texto a voz más capaces en un solo lugar, incluidos ElevenLabs V3, Speech 2.8 HD, Gemini 3.1 Flash TTS y Turbo v2.5 para una salida multilingüe rápida. No necesitas una suscripción separada a cada plataforma. También tienes acceso a herramientas de voz a texto si necesitas transcribir grabaciones existentes antes de rehacerlas con voces de IA.
Elige un modelo, escribe tu primer guion de prompts y genera. La diferencia entre un sistema telefónico que suena a empresa de verdad y uno que suena a improvisación es una tarde de trabajo concentrado.
Elige tu idioma
