Voice agents en español chileno: arquitectura, proveedores y costos 2026

Cinco componentes en serie con latencia objetivo bajo 500ms total:

1. Captura de audio: WebRTC, SIP o teléfono tradicional vía gateway.
2. Speech-to-Text (STT): convierte voz en texto. Latencia típica 100-200ms.
3. Large Language Model (LLM): genera respuesta. Latencia típica 200-400ms con streaming.
4. Text-to-Speech (TTS): convierte respuesta en voz. Latencia típica 100-200ms con streaming.
5. Reproducción + Voice Activity Detection (VAD): detecta cuándo el usuario termina de hablar.

La clave es streaming en cada etapa: empezar a procesar TTS mientras LLM aún genera, empezar a reproducir mientras TTS aún sintetiza.

Vapi es el más usado para empezar. Configuración inicial:

import Vapi from '@vapi-ai/web';

const vapi = new Vapi(process.env.VAPI_PUBLIC_KEY);

// Crear asistente
const assistant = await vapi.assistants.create({
  name: 'Asistente Acme',
  firstMessage: 'Hola, soy el asistente virtual de Acme. ¿En qué te puedo ayudar?',
  systemPrompt: `Eres asistente de atención al cliente de Acme, empresa chilena.
Habla en español de Chile, registro formal-ejecutivo.
Mantén respuestas cortas (1-2 oraciones) para mantener conversación fluida.
Si no sabes algo, dilo y deriva a un humano.`,
  model: {
    provider: 'anthropic',
    model: 'claude-sonnet-4-6',
    temperature: 0.3,
  },
  voice: {
    provider: 'elevenlabs',
    voiceId: 'XXXXX', // Voz seleccionada para español neutro
    stability: 0.5,
    similarityBoost: 0.7,
  },
  transcriber: {
    provider: 'deepgram',
    model: 'nova-2',
    language: 'es-LA',
  },
});

// Llamar (test desde browser)
await vapi.start(assistant.id);

Para alcanzar latencia bajo 500ms end-to-end:

• Usar modelo LLM rápido (Sonnet o GPT-mini, no Opus salvo casos críticos).
• Streaming en STT, LLM y TTS. Sin streaming, latencia se multiplica.
• Predicción de turno: el LLM puede empezar a generar antes de que el usuario termine si la frase es predecible.
• Caching de respuestas frecuentes (saludo inicial, despedida, frases de fallback).
• Edge deployment: proveedor cercano geográficamente. Para Chile, US East o Brasil región.
• Limitar contexto de conversación a últimos 6-10 turnos para evitar inflar latencia LLM.

Recomendación: arrancar con plataforma (Vapi) en piloto, evaluar custom stack si el caso lo justifica.