Texto a voz para atención al cliente: IVR y menús telefónicos

En atención al cliente, el texto a voz se usa sobre todo para la voz que oyen quienes llaman antes de hablar con una persona: menús telefónicos (IVR), saludos, mensajes de espera, avisos fuera de horario y comunicados de caídas del servicio. Te da una voz coherente en todos los mensajes y en todos los idiomas que atiendes, y te permite cambiar un solo mensaje en minutos en lugar de reservar una nueva grabación. La calidad del resultado depende mucho más de cómo estén escritos los mensajes que de la voz que elijas.

Esta guía explica cómo escribir mensajes que quien llama pueda seguir, los formatos de audio que esperan los sistemas telefónicos, cómo tratar números y nombres, los menús multilingües, las reglas sobre avisar de que la voz es de IA y cuánto cuesta.

¿Dónde encaja el texto a voz en atención al cliente?

La mayoría de los equipos empiezan por los cinco primeros, que no son más que un conjunto de archivos de audio que se suben al sistema telefónico. Los mensajes personalizados necesitan una integración, de la que hablamos más abajo.

¿Cómo escribir mensajes de IVR que quien llama pueda seguir?

Quien llama no puede volver atrás. Todo tiene que funcionar a la primera escucha, a menudo por el altavoz de un teléfono en una sala con ruido.

Reglas para los menús telefónicos

• Di la opción antes que la tecla. «Para facturación, marque 1» permite que quien llama reconozca primero lo que necesita y oiga después el número. «Marque 1 para facturación» le obliga a retener un número mientras espera a saber para qué sirve.
• Limítate a cuatro o cinco opciones. Con más, quien llama se olvida de las primeras. Si no hay más remedio, usa un segundo nivel.
• Pon primero el motivo más habitual. Mira por qué llama la gente en realidad.
• No obligues a nadie a aguantar publicidad. Una promoción antes del menú alarga todas y cada una de las llamadas.
• Ofrece siempre una forma de repetir y una salida. «Para escuchar de nuevo estas opciones, marque asterisco. Para hablar con una persona, marque 0».
• Deja una pausa después del menú. Dale a quien llama un par de segundos para decidir antes de que se agote el tiempo de espera del sistema.

Antes y después

Antes:

«Gracias por llamar. Le rogamos que escuche con atención, ya que las opciones de nuestro menú han cambiado recientemente. Marque 1 si desea consultar sobre un pedido existente, el estado de una entrega o una devolución. Marque 2 para…»

Después:

«Gracias por llamar a Northwind. Para un pedido, una entrega o una devolución, marque 1. Para facturación, marque 2. Para ayuda técnica, marque 3. Para hablar con una persona, marque 0.»

La segunda versión es la mitad de larga y cada opción cabe en un solo aliento.

¿Cómo conseguir que se lean bien los números, las fechas y los nombres?

Los mensajes telefónicos están llenos de cosas que una voz puede leer de más de una manera. En los mensajes generados de antemano, escríbelas exactamente como deben pronunciarse.

Los nombres de marcas, de productos y de lugares deben ir una sola vez en la lista de pronunciación, para que todos los mensajes los digan igual. Esto importa más por teléfono que en cualquier otro sitio, porque el nombre de la empresa mal pronunciado en el saludo es lo primero que oye cada persona que llama.

¿Qué formato de audio necesitan los sistemas telefónicos?

El audio telefónico es de banda estrecha: las líneas telefónicas tradicionales transmiten aproximadamente de 300 a 3.400 Hz y muestrean a 8 kHz. La mayoría de los sistemas telefónicos aceptan uno o más de estos formatos:

• WAV, 8 kHz, 16 bits, mono (PCM)
• WAV, 8 kHz, mono, μ-law (habitual en Norteamérica y Japón) o A-law (habitual en Europa y en la mayoría de las demás regiones)
• MP3, que algunas plataformas telefónicas en la nube aceptan y convierten por su cuenta

Leelo exporta MP3 y WAV (opciones de exportación). Exporta en WAV y, si tu plataforma telefónica necesita 8 kHz en μ-law o A-law, usa su herramienta de subida o un conversor de audio. Dos consejos prácticos:

• Elige una voz que resista la banda estrecha. Las voces con unos medios claros se transmiten bien por teléfono. Las voces muy aireadas o muy graves pierden detalle. Pon a prueba a las candidatas reproduciéndolas en una llamada telefónica real.
• Mantén la música discreta. La música de espera compite con la voz cuando ambas se comprimen en el ancho de banda del teléfono. Si creas mensajes de espera con una base musical, mantén la música muy por debajo de la voz (cómo añadir sonidos y música).

¿Cómo montar un menú telefónico en varios idiomas?

1. Ofrece la elección de idioma en cada idioma. «For English, press 1. Para español, oprima dos. Pour le français, appuyez sur trois». Cada frase debe locutarla una voz nativa de ese idioma.
2. Traduce los mensajes, no los calques palabra por palabra. Las convenciones telefónicas varían: los menús en español suelen decir «oprima» o «marque» en lugar de un calco literal de «press».
3. Elige una voz por idioma y no la cambies. Leelo tiene voces en más de 80 idiomas; por ejemplo, prueba varias voces en español y quédate con la que a quienes te llaman les resulte más natural.
4. Mantén idéntica la estructura del menú en todos los idiomas, para que la tecla 2 signifique facturación en cada uno y el personal de soporte pueda resolver incidencias con facilidad.

¿Hay que decir a quien llama que la voz es de IA?

Avisarlo es una buena práctica y, en algunos casos, un requisito legal.

• Llamadas salientes: en Estados Unidos, la Comisión Federal de Comunicaciones dictaminó en 2024 que las voces generadas con IA cuentan como voces «artificiales» según las normas sobre llamadas automatizadas, que por lo general exigen el consentimiento previo del destinatario.
• Sistemas de IA que conversan con personas: la Ley de IA de la UE exige informar a las personas de que están interactuando con un sistema de IA, salvo que resulte evidente.
• Menús de llamadas entrantes: los menús pregrabados son un formato conocido, pero si una voz sintética pudiera confundirse con un agente real, déjalo claro desde el principio.

Las normas varían según el país y cambian rápido, así que consúltalo con tu equipo jurídico. Esto es información general, no asesoramiento legal.

¿Voz de la biblioteca o voz propia para tu marca?

• Voz de la biblioteca: es lo más rápido. Elige una y úsala en todas partes.
• Voz diseñada: crea una voz a partir de una descripción («amable, tranquila, de unos treinta y cinco años, clara, sin prisas») para que ninguna otra empresa suene como tú.
• Voz clonada: si tu empresa ya tiene una voz conocida, como la de un empleado que grabó los saludos antiguos, la clonación de voz puede recrearla a partir de una grabación corta, con el consentimiento por escrito de esa persona. Acuerda de antemano qué pasará si esa persona deja la empresa.

¿Cómo mantener los mensajes al día?

La principal razón por la que los equipos se pasan al texto a voz son las actualizaciones. Un cierre por festivo antes suponía reservar tiempo de estudio; ahora basta con editar una línea.

Un ejemplo resuelto: un cierre por festivo

1. Añade una línea nueva debajo de la del «horario de apertura», con el mismo personaje.
2. Cambia el texto: «El lunes veinticinco permanecemos cerrados. Volveremos a abrir el martes a las nueve de la mañana».
3. Vuelve a generar solo esa línea con la misma voz y los mismos ajustes, para que case con el resto del menú.
4. Exporta el archivo y súbelo al sistema telefónico con una programación para las fechas del cierre.

Automatizar con la API

Si los mensajes dependen de información en tiempo real, como un aviso de caída o una cola más larga de lo normal, usa la API para generar audio a partir de texto desde tus propios sistemas y los webhooks para saber cuándo está listo un archivo. Para la voz generada durante una llamada en curso, prueba el retardo de punta a punta con tu plataforma telefónica antes de comprometerte.

¿Cuánto cuesta ponerle voz a un sistema telefónico?

Leelo funciona con créditos: 1 crédito es 1 palabra con una voz estándar, 1,5 con las voces premium y 5 con tus propias voces diseñadas o clonadas. Los trabajos fallidos devuelven sus créditos. Un ejemplo resuelto:

• Un IVR típico: 40 mensajes de 15 palabras de media son unas 600 palabras, es decir, 600 créditos con una voz estándar. Cabe en los 1.000 créditos que el plan gratuito da una sola vez, suficientes para crear y probar un menú completo.
• El mismo menú en cuatro idiomas: unos 2.400 créditos.
• Con una voz de marca diseñada: unos 3.000 créditos para un idioma.
• El acceso a la API empieza en el plan Pro (99 $ al mes, 600.000 créditos, 3 puestos).

El uso comercial del audio, que incluye reproducírselo a tus clientes, está permitido en los planes de pago. Consulta los precios para ver todos los planes y la página del caso de uso de menús telefónicos para ver más ejemplos.

Preguntas frecuentes

¿Puedo usar texto a voz para el menú telefónico de mi empresa?

Sí. Escribe los mensajes, genéralos con una misma voz, exporta en WAV y súbelos a tu sistema telefónico. La mayoría de los sistemas telefónicos, en la nube o instalados en local, aceptan archivos WAV, a veces tras convertirlos a 8 kHz.

¿Cuál es la mejor voz para un IVR?

Una voz clara, de registro medio, con un ritmo algo más lento que el de una conversación normal, porque el audio telefónico elimina detalle. Prueba dos o tres candidatas en una llamada real, no con auriculares de estudio, y quédate con la más fácil de entender.

¿Cuánto debe durar un saludo telefónico?

Lo más corto posible: el nombre de la empresa, un mensaje opcional de una línea y luego el menú. Cada segundo de más lo paga cada persona que llama, cada vez. Si necesitas anunciar algo, ponlo después del menú o en el mensaje de espera.

¿Tengo que regrabar todo el menú cuando cambia una opción?

No. Con un estudio que trabaja línea por línea, editas y vuelves a generar solo el mensaje que cambia, con la misma voz y los mismos ajustes, así que encaja con el resto. Después sustituyes ese único archivo en tu sistema telefónico.

¿Notan quienes llaman que es una voz de IA?

Algunos sí, sobre todo en los mensajes largos. No pasa nada si los mensajes son claros y la voz es agradable; a quien llama lo que más le importa es llegar rápido al sitio correcto. Donde lo exijan las leyes o tus propias normas, dile a quien llama que la voz es automática.