Un agente de voz IA es un sistema que mantiene conversaciones telefónicas reales — entiende lo que dice el usuario, razona sobre ello, consulta datos en tiempo real y responde con voz natural en menos de un segundo. En 2026 ya no es ciencia ficción ni territorio de grandes corporaciones: el stack necesario está disponible como APIs que se conectan entre sí, el español está bien cubierto y la latencia es suficientemente baja para que la conversación se sienta natural. El coste real por minuto, los componentes necesarios y cómo integrarlo con n8n para que el agente actúe en los sistemas de la empresa — eso es lo que cubre esta guía.
<800ms
latencia objetivo — desde que el usuario termina de hablar hasta que el agente empieza a responder
0,13-0,33€
por minuto real todo incluido — no los 0,05€ de la tarifa de plataforma de Vapi
5
capas del stack: telefonía + STT + LLM + TTS + orquestador
30%
de las interacciones de atención al cliente ya gestionadas por IA en 2026 (Salesforce, 2025)
Las 5 capas del stack de un agente de voz IA
Un agente de voz no es un único servicio — es cinco capas que se coordinan en tiempo real. Entender cada una es fundamental para elegir las herramientas correctas y estimar el coste real:
| Capa |
Función |
Herramienta recomendada |
Coste aprox. |
| 1. Telefonía |
Conexión a la red telefónica — número de teléfono, recepción y emisión de llamadas |
Twilio, Telnyx (vía Vapi) |
~0,01-0,04€/min |
| 2. STT (voz → texto) |
Convierte lo que dice el usuario en texto que el LLM puede procesar |
Deepgram Nova-3, AssemblyAI |
~0,002€/min |
| 3. LLM (razonamiento) |
Procesa la transcripción, decide la respuesta, llama a herramientas externas (CRM, calendario, base de conocimiento) |
GPT-4o, Claude Sonnet 4.5 |
~0,01-0,06€/min |
| 4. TTS (texto → voz) |
Convierte la respuesta del LLM en voz natural en español |
ElevenLabs, AWS Polly Lupe |
~0,015-0,05€/min |
| 5. Orquestador |
Coordina las cuatro capas anteriores con baja latencia — gestiona el turno de habla, las interrupciones y la escalada a humano |
Vapi, Retell AI |
0,05€/min |
El coste real todo incluido suma las cinco capas: entre 0,13 y 0,33€ por minuto dependiendo de las herramientas elegidas. La cifra de 0,05€/min que aparece en la página de precios de Vapi es solo la tarifa de orquestación — las otras cuatro capas facturan por separado. Para una llamada media de 3 minutos, el coste real es entre 0,39€ y 0,99€ por llamada.
Por qué Vapi como orquestador y ElevenLabs para la voz en español
Vapi es el orquestador preferido para desarrolladores por tres razones concretas: gestiona automáticamente el VAD (detección de actividad de voz), las interrupciones del usuario en mitad de la respuesta del agente, y la escalada a humano cuando la conversación supera la capacidad del agente. Tiene integración nativa con n8n, lo que permite que las herramientas que el agente invoca durante la conversación sean workflows de n8n — sin necesidad de desarrollar APIs intermedias. Para una comparativa completa con Bland AI y Retell AI, la latencia real en español y la documentación técnica, puedes registrarte directamente en Vapi.
ElevenLabs para la capa TTS porque tiene las voces en español más naturales disponibles en 2026 — varias plataformas de agentes de voz usan ElevenLabs como proveedor de TTS por defecto. La diferencia entre una voz sintética genérica y una de ElevenLabs en español es inmediatamente perceptible para el usuario. Para casos de uso con volumen alto donde el coste de TTS importa, AWS Polly Lupe Generative (voz española generativa) es la alternativa más económica con calidad aceptable.
La integración con n8n — cómo el agente actúa en los sistemas de la empresa
La voz es la interfaz, pero el valor está en lo que el agente puede hacer durante la conversación. Vapi permite llamar a herramientas externas mientras habla con el usuario — y esas herramientas pueden ser workflows de n8n. Esto significa que el agente puede, en tiempo real:
- → Consultar disponibilidad en el calendario del cliente y confirmar una cita
- → Buscar el historial de pedidos en el CRM y responder sobre el estado
- → Crear un ticket de soporte con la transcripción y el resumen de la llamada
- → Actualizar campos en el CRM según lo que el usuario ha dicho
- → Enviar un WhatsApp de confirmación al terminar la llamada
- → Escalar a un agente humano pasando el contexto completo de la conversación
El flujo técnico: Vapi llama al webhook de n8n con el contexto de la conversación → el workflow de n8n ejecuta la acción (consulta CRM, crea evento, envía mensaje) → devuelve el resultado a Vapi → Vapi lo incluye en la respuesta al usuario. La latencia de este ciclo está dentro del margen perceptible, por lo que hay que optimizar los workflows de n8n para que respondan en menos de 400ms. Si necesitas profundizar en cómo funcionan los agentes IA con n8n antes de añadir la capa de voz, esa guía cubre el punto de partida.
El comportamiento del agente durante la conversación — qué puede decir, cómo responde en situaciones ambiguas, cuándo escala — se define en la AI Persona. Y lo que garantiza que ese comportamiento se mantiene constante semanas después del despliegue son los AI Evals. El AI Harness es el marco que une los cuatro componentes — identidad, permisos, verificación y bucles de corrección — para que el agente sea fiable en producción.
Casos de uso con mejor ROI en el mercado español
| Caso de uso |
Sector |
Por qué funciona |
Coste estimado/mes |
| Reserva de citas inbound |
Clínicas, centros de estética, talleres |
Flujo repetitivo, datos estructurados, integración con calendario |
80-250€ (50-150 llamadas/mes) |
| Atención fuera de horario |
Cualquier negocio con llamadas perdidas |
Captura leads que se pierden fuera del horario laboral |
40-120€/mes |
| Cualificación de leads inbound |
Inmobiliarias, seguros, B2B |
El agente hace las preguntas de cualificación y pasa el lead caliente al comercial |
150-400€/mes |
| FAQ y soporte de primer nivel |
Ecommerce, utilities, SaaS |
Descongestiona el call center para las preguntas repetitivas |
200-800€/mes |
El break-even frente a un agente humano a tiempo parcial (20h/semana, ~600€/mes) se alcanza con volúmenes superiores a 200-300 llamadas mensuales o cuando el agente opera en horario nocturno o de fin de semana — que es donde el coste humano es más alto y la disponibilidad más difícil de garantizar.
Empieza a construir tu agente de voz con Vapi
Vapi tiene plan gratuito con créditos de prueba suficientes para construir y validar el primer agente antes de comprometer presupuesto en producción. Si prefieres que lo implementemos nosotros, el servicio de agencia n8n incluye la integración de voz dentro del stack completo de automatización.
Registrarse en Vapi →
Preguntas frecuentes sobre agentes de voz IA
¿Cuánto cuesta realmente un agente de voz IA con Vapi?
La tarifa de plataforma de Vapi es 0,05€/min, pero el coste real todo incluido — sumando telefonía, STT, LLM y TTS — ronda los 0,13-0,33€/min. Para una llamada media de 3 minutos, eso equivale a 0,39-0,99€ por llamada. El rango varía según el LLM elegido (GPT-4o es más caro que modelos de gama media) y el proveedor de TTS (ElevenLabs es más caro pero con mejor calidad que AWS Polly). Para volúmenes superiores a 500 llamadas/mes, vale la pena negociar tarifas enterprise con Vapi.
¿Qué latencia consigue un agente de voz IA en español?
El umbral para una conversación que se siente natural es de menos de 1.200ms desde que el usuario termina de hablar hasta que el agente empieza a responder. El objetivo técnico en producción es menos de 800ms. Con Vapi + Deepgram (STT) + GPT-4o o Claude Sonnet 4.5 (LLM) + ElevenLabs (TTS), en servidor europeo se alcanzan latencias de 600-900ms en condiciones normales. La variabilidad sube cuando el LLM necesita llamar herramientas externas — de ahí la importancia de que los workflows de n8n respondan en menos de 400ms.
¿Vapi tiene soporte para español de España o solo para Latinoamérica?
Vapi soporta español en todas sus variedades regionales — el modelo STT (Deepgram Nova-3 o AssemblyAI) reconoce el español de España correctamente. La voz en español castellano depende del proveedor TTS: ElevenLabs tiene voces específicas de España con acento castellano, y AWS Polly tiene la voz Lupe con variante mexicana. Para el mercado español, la combinación Deepgram Nova-3 + ElevenLabs (voz española) da los mejores resultados en reconocimiento y naturalidad.
¿Cuándo tiene sentido un agente de voz y cuándo no?
Tiene sentido cuando el volumen supera las 200 llamadas/mes, cuando hay cobertura fuera de horario que un humano no puede cubrir, o cuando las consultas son repetitivas y estructuradas (reservas, estado de pedido, FAQs). No tiene sentido para menos de 200 llamadas/mes (el coste fijo de telefonía y mínimos de plataforma supera el coste de un humano a tiempo parcial), para conversaciones de alto contexto con muchas variables únicas por llamada, o para situaciones emocionalmente complejas donde la empatía humana es crítica.
¿Cómo se integra Vapi con n8n?
Vapi puede llamar a webhooks externos como herramientas durante la conversación. Configurando un webhook de n8n como herramienta en Vapi, el agente puede invocar cualquier workflow de n8n en tiempo real — consultar el CRM, actualizar el calendario, enviar un mensaje de WhatsApp o crear un ticket. La configuración se hace desde el dashboard de Vapi añadiendo la URL del webhook de n8n en la sección de herramientas del asistente, con el JSON Schema que describe qué parámetros acepta cada herramienta.
Las imágenes de este artículo han sido generadas o editadas con herramientas de inteligencia artificial.
Etiquetas: agente de voz IA, voice AI agent, Vapi AI, voz IA español, ElevenLabs agente voz, n8n voz IA, agente voz atención cliente, voice agent n8n, agente voz IA empresa España
