Agents de veu
i apps per a agents.

Voice AI —intel·ligència artificial de veu— és la tecnologia que permet a les màquines escoltar, entendre i parlar amb les persones en llenguatge natural, sense fricció, en temps real. No parlem de comandes rígides tipus IVR («premi 1 per vendes»), ni de xatbots de text disfressats amb un TTS robòtic. Parlem d'agents conversacionals de veu que combinen reconeixement de parla (STT), models de llenguatge (LLM) i síntesi de veu neuronal (TTS) en un pipeline end-to-end que respon en menys d'un segon, amb entonació humana i gestió natural del torn de paraula.

2026 és l'any en què aquesta tecnologia ha deixat de ser experimental. Les APIs Realtime d'OpenAI i Gemini Live, les veus clonades d'ElevenLabs i Cartesia, el transport WebRTC sobre infraestructura global i una nova generació de models optimitzats per al diàleg han fet que construir una experiència de veu conversacional costi un 90 % menys que fa dos anys. Per a qualsevol empresa que tracti amb clients per telèfon —atenció al client, agendament, suport tècnic, cobraments, onboarding o accés a serveis— ignorar voice AI equival a ignorar el web el 1998.

Com funciona un agent de veu conversacional

Un agent de veu en producció no és un model, són sis peces encaixades: Voice Activity Detection (VAD) per saber quan l'usuari parla i quan calla; Speech-to-Text en streaming (STT) amb diarització multi-interlocutor i suport de més de 50 idiomes; un LLM amb function calling i RAG sobre la teva base de coneixement corporativa, que decideix què dir i quines accions executar; Text-to-Speech neuronal (TTS) amb veus clonades i streaming per chunks perquè la resposta comenci a sonar mentre es continua generant; transport en temps real via WebRTC, SIP o PSTN; i la capa més complexa, la gestió de torn i barge-in, que permet interrompre l'agent quan l'usuari torna a prendre la paraula.

La latència és el producte. Si l'usuari espera més de 800 mil·lisegons entre el final de la seva frase i l'inici de la resposta de l'agent, l'experiència es trenca: sembla que la màquina no l'entén. Un agent ben construït queda per sota de 500 ms end-to-end en xarxa mòbil 4G i per sota de 300 ms en WiFi. Aconseguir-ho exigeix streaming a totes les capes, edge peering, elecció correcta de model i còdec d'àudio, i una optimització fina del jitter buffer. No és un detall tècnic: és el que separa una demo atractiva d'un producte usable.

Voice AI vs IVR tradicional: per què no són comparables

La IVR dels últims vint anys es basa en arbres de decisió rígids: «premi 1», «digui una paraula clau», «esperi 10 segons». Funciona per a dues o tres opcions i es trenca amb qualsevol petició fora del guió. Un agent de veu amb IA generativa entén intenció, context i matisos. Pot resoldre en una frase el que la IVR tradicional resol en quatre menús imbricats, pot escalar a humà quan detecta que no pot ajudar, i pot personalitzar la conversa amb dades del CRM en temps real —nom del client, historial, preferències, estat de la comanda— sense que l'usuari hagi d'introduir cap dada.

L'impacte econòmic és mesurable. Els primers desplegaments de voice AI en call centers mostren reduccions del 40-70 % en el cost per trucada gestionada, temps de resolució en segons en comptes de minuts, i —clau— taxes de satisfacció iguals o superiors a les de l'agent humà per a tasques estructurades: consulta de comandes, canvi de cita, incidències de nivell 1, pagaments recurrents, reposició, onboarding. L'humà es reserva per als casos on realment aporta valor diferencial: vendes complexes, incidències greus, relació de compte estratègica.

Quan té sentit adoptar voice AI a la teva empresa

Voice AI aporta més retorn quan combina tres factors: volum (centenars o milers d'interaccions al mes que avui es gestionen per telèfon o correu), estructura (les interaccions segueixen patrons repetibles tot i que no idèntics) i urgència (l'usuari valora la resposta immediata). Atenció al client 24/7, triatge sanitari, drive-thru i retail, assistents hands-free en automoció, tutors d'idiomes conversacionals i accessibilitat per a usuaris amb mobilitat o visió reduïdes són els casos amb retorn més ràpid. En canvi, interaccions úniques, d'alta complexitat o amb tolerància zero a l'error —intervencions mèdiques, decisions legals vinculants, operacions financeres de gran volum— continuen sent territori humà.

A Dribba despleguem voice AI en producció des del 2024, combinant les APIs més madures del mercat amb la nostra experiència en apps Flutter, backends d'alt rendiment i integració amb CRMs, ERPs i sistemes telefònics empresarials. Si tens un cas d'ús —una línia telefònica saturada, una app que podria contestar per veu, un procés repetitiu que consumeix hores del teu equip— el primer pas és una sessió de 45 minuts on analitzem viabilitat, stack recomanat i retorn esperat. Sense formulari, sense compromís.