Guía de Configuración Completa: Proveedores IA, SIP y Agentes
Introducción
VOCALS es una plataforma de telefonía impulsada por IA que gestiona conversaciones de voz en tiempo real. Integra proveedores SIP para la telefonía y soporta proveedores intercambiables de IA para reconocimiento de voz (STT), modelos de lenguaje (LLM) y síntesis de voz (TTS).
En esta guía aprenderás a configurar VOCALS desde cero en tres grandes pasos: configurar los proveedores de IA, conectar un proveedor SIP (Netelip) y crear un agente de voz inteligente.
Requisitos previos
Antes de empezar, asegúrate de tener:
- Una cuenta en VOCALS (dashboard.usevocals.com)
- API keys de al menos un proveedor de cada categoría (STT, LLM, TTS)
- Una cuenta en Netelip con un DID (número de teléfono) y credenciales SIP
Cómo funciona el pipeline de voz
Cada llamada fluye a través de un pipeline de tres etapas en tiempo real. El audio entrante se transcribe con STT, la transcripción se envía al LLM para generar una respuesta, y la respuesta se sintetiza en audio con TTS — todo en menos de 2 segundos.
| Etapa | Función | Descripción |
|---|---|---|
| STT | Speech-to-Text | Convierte el audio del llamante en texto en tiempo real |
| LLM | Language Model | Genera respuestas conversacionales basadas en la transcripción y el prompt del sistema |
| TTS | Text-to-Speech | Convierte el texto de respuesta en audio que escucha el llamante |
Si quieres profundizar en cómo funciona cada etapa, consulta nuestra guía sobre agentes de voz IA.
Paso 1: Configurar los Proveedores de IA
Los proveedores de IA son el núcleo del pipeline de voz. Necesitas configurar al menos un proveedor para cada etapa: STT, LLM y TTS. VOCALS permite mezclar y combinar proveedores por agente para optimizar latencia, precisión, coste o soporte de idiomas.
Acceder a la configuración de proveedores
- Inicia sesión en el dashboard de VOCALS (dashboard.usevocals.com).
- En el menú lateral, navega a Configuration > Providers.
- Haz clic en Add Provider.
- Selecciona el tipo de proveedor (STT, LLM o TTS) y el servicio específico.
- Introduce tu API key y configura los ajustes específicos del proveedor.
- Haz clic en Save. VOCALS validará la clave haciendo una petición de prueba.
Consejo: Crea API keys separadas para VOCALS en lugar de reutilizar claves de otros proyectos. Esto facilita el seguimiento del uso y la rotación de credenciales.
Proveedores STT (Speech-to-Text)
Los proveedores STT transcriben el audio del llamante a texto en tiempo real:
| Proveedor | Modelos | Notas |
|---|---|---|
| Deepgram | nova-2, nova-2-general, nova-2-phonecall | Recomendado. Baja latencia, excelente soporte streaming. |
| OpenAI Whisper | whisper-1 | Modo batch. Mayor latencia pero buena precisión en entornos ruidosos. |
| Alibaba Qwen | qwen-audio | Fuerte soporte multilingüe, especialmente chino y lenguas asiáticas. |
| Fish Audio | transcribe-1 | Modo batch, soporte 30+ idiomas. En beta. |
Recomendado para Deepgram: Modelo nova-2, idioma es-ES (para castellano), Smart Format activado, Endpointing en 300 ms e Interim Results activado para transcripciones parciales más rápidas.
Proveedores LLM (Modelo de Lenguaje)
Los proveedores LLM generan las respuestas conversacionales del agente basándose en la transcripción y el prompt del sistema.
| Proveedor | Modelos | Notas |
|---|---|---|
| OpenAI | gpt-4o, gpt-4o-mini, gpt-4-turbo, gpt-3.5-turbo | Buen equilibrio calidad/velocidad. gpt-4o-mini para uso general eficiente. |
| Anthropic Claude | claude-sonnet-4-20250514, claude-haiku-4-20250414 | Excelente siguiendo prompts detallados y manteniendo personas consistentes. |
| Google Gemini | gemini-2.5-flash, gemini-2.5-pro | Muy baja latencia a precio competitivo. Ideal para alto volumen. |
| Moonshot Kimi | moonshot-v1-8k, moonshot-v1-32k | Fuerte soporte en chino. Precios competitivos para mercado asiático. |
Recomendado: Temperature 0.7 y Max Tokens 256 son los valores por defecto y funcionan bien para la mayoría de los casos de uso conversacional.
Proveedores TTS (Text-to-Speech)
Los proveedores TTS convierten el texto de respuesta del LLM en audio que escucha el llamante.
| Proveedor | Modelos / Voces | Notas |
|---|---|---|
| ElevenLabs | eleven_turbo_v2_5, eleven_multilingual_v2 | Voces más naturales. Soporta clonación de voz. Usar turbo para telefonía. |
| OpenAI TTS | tts-1, tts-1-hd (voces: alloy, echo, fable, onyx, nova, shimmer) | Simple de configurar. tts-1 para telefonía (menor latencia). |
| Resemble AI | Voces personalizadas por UUID | Especializado en clonación de voz de marca. |
| Fish Audio | s2, s1, speech-1.6, speech-1.5 | Voz natural con control de emoción. 30+ idiomas. |
Recomendado para ElevenLabs: Modelo eleven_turbo_v2_5, Stability 0.5, Similarity Boost 0.75, Optimize Streaming Latency 3. Para encontrar tu Voice ID, accede a tu panel de ElevenLabs > Voices > selecciona una voz > copia el Voice ID.
Combinaciones recomendadas por caso de uso
| Caso de uso | STT | LLM | TTS |
|---|---|---|---|
| General (baja latencia) | Deepgram nova-2 | OpenAI gpt-4o-mini | ElevenLabs turbo v2.5 |
| Alta calidad | Deepgram nova-2 | Anthropic Claude Sonnet | ElevenLabs multilingual v2 |
| Bajo presupuesto | Deepgram nova-2 | Google Gemini Flash | OpenAI tts-1 |
| Multilingüe (30+ idiomas) | Fish Audio | Google Gemini Flash | Fish Audio s2 |
Para entender cómo el modelo BYOK te permite controlar los costes de estos proveedores, consulta nuestra guía dedicada.
Paso 2: Configurar el Proveedor SIP (Netelip)
El proveedor SIP conecta tus números de teléfono con VOCALS. Netelip es un proveedor de troncales SIP europeo con cobertura en España y Latinoamérica. VOCALS utiliza Asterisk como pasarela SIP para proveedores genéricos como Netelip.
Antes de comenzar necesitas:
- Una cuenta activa en Netelip.
- Un DID (número de teléfono) asignado en tu panel de Netelip.
- Tus credenciales SIP (usuario y contraseña) del panel de control de Netelip.
Añadir Netelip en el dashboard de VOCALS
- En el dashboard de VOCALS, navega a Settings > SIP Providers.
- Haz clic en Add SIP Provider.
- Selecciona Netelip como tipo. Esto pre-rellenará el servidor SIP y el puerto, pero puedes cambiarlos si es necesario.
- Rellena los datos de conexión (ver tabla a continuación).
- (Opcional) Configura el filtrado de llamadas entrantes en Allowed IPs para restringir qué IPs pueden enviar llamadas a tu trunk.
- Haz clic en Save.
| Campo | Valor | Notas |
|---|---|---|
| SIP Server | sip.netelip.com | Pre-rellenado. También disponible sip-eu.netelip.com para servidores regionales europeos. |
| SIP Port | 5060 | Puerto por defecto para Netelip. |
| Transport | UDP | Protocolo de transporte por defecto para Netelip. |
| Username | (tu usuario SIP) | El nombre de usuario SIP proporcionado por Netelip en tu panel de control. |
| Password | (tu contraseña SIP) | La contraseña SIP proporcionada por Netelip. |
| Allowed IPs | (opcional) | IPs permitidas para enviar llamadas. Deja vacío para permitir todas. Netelip envía desde sus rangos de IP publicados. |
Verificar el estado de registro
Después de guardar, VOCALS registra tu trunk con el servidor SIP. Comprueba el indicador de estado en la tarjeta del proveedor SIP:
| Estado | Significado |
|---|---|
| Verde (Registered) | El trunk está conectado y listo para recibir llamadas. |
| Rojo (Unregistered) | Fallo en el registro. Verifica credenciales y dirección del servidor SIP. |
| Amarillo (Unknown) | No se pudo determinar el estado. El trunk puede estar inicializándose. Espera 10-30 segundos. |
Importante: Si el estado es Rojo, verifica: (1) que el servidor y puerto SIP son correctos, (2) que el usuario y contraseña coinciden con tu panel de Netelip, (3) que el firewall no bloquea el puerto 5060 ni los puertos UDP 10000-10100 para RTP media.
Configurar el DID en Netelip
Necesitas configurar tu número DID en el panel de Netelip para que las llamadas entrantes se dirijan a VOCALS:
- Inicia sesión en tu cuenta de Netelip.
- Navega a DID Numbers (Números DID) o la sección equivalente.
- Configura el destino de tu número hacia la IP de tu servidor VOCALS en el puerto 5060.
- Asegúrate de que el codec está configurado como G.711a (alaw) o G.711u (ulaw). VOCALS auto-detecta ambos.
Consejo: Cuando configures un nuevo proveedor SIP, comienza haciendo una llamada de prueba saliente para verificar la calidad de audio y la latencia antes de configurar el enrutamiento entrante.
Para más detalles sobre la integración con Netelip, visita nuestra página de integración con Netelip.
Paso 3: Crear un Agente de Voz
Un agente es la unidad central en VOCALS. Define cómo se comporta un asistente de voz con IA en una llamada: qué dice, cómo suena y qué proveedores lo alimentan. Cada número de teléfono se asigna a un único agente.
Crear el agente
- En el dashboard, navega a Agents.
- Haz clic en Create Agent.
- Dale un nombre descriptivo al agente (por ejemplo, “Atención al Cliente - Español” o “Ventas Inbound”).
- Configura los ajustes que se describen a continuación.
- Haz clic en Save para crear el agente.
System Prompt (Prompt del sistema)
El system prompt es el ajuste más importante. Define la personalidad, instrucciones y restricciones del agente. Determina todo sobre cómo se comporta en la conversación.
Buenas prácticas para escribir el system prompt:
- Sé específico sobre la longitud de las respuestas. Las conversaciones telefónicas necesitan respuestas cortas (1-2 frases por turno).
- Define una persona. Dale al agente un nombre, tono y personalidad. Los llamantes se sienten más cómodos con un personaje consistente.
- Establece límites. Indica explícitamente qué temas debe y no debe tratar. Lista los temas que debe escalar a un humano.
- Incluye frases de ejemplo para saludos, confirmaciones y despedidas.
- Maneja casos extremos: qué hacer cuando no sabe la respuesta, cuando el llamante está molesto o cuando la conversación se desvíe.
- Usa estructura clara con secciones, viñetas y pasos numerados. Los LLMs siguen mejor los prompts estructurados.
Importante: Evita prompts excesivamente largos. Cada token añade latencia y coste a cada llamada al LLM. Apunta a 200-500 palabras. Si necesitas más contenido, considera usar la Knowledge Base para información de referencia.
Mensaje de bienvenida (Welcome Message)
Es lo primero que dice el agente cuando se conecta una llamada. Se reproduce como audio TTS antes de que el agente empiece a escuchar. Ejemplo: “Hola, gracias por llamar a [Empresa]. ¿En qué puedo ayudarte hoy?”
Déjalo en blanco si quieres que el agente espere a que el llamante hable primero (útil para llamadas salientes).
Configuración de idioma
Configura el idioma principal de la conversación. Este ajuste se pasa al proveedor STT para mejorar la precisión de la transcripción. Valores comunes: es-ES (castellano), es-MX (mexicano), en-US, pt-BR, fr-FR, de-DE.
Sensibilidad de Barge-in (interrupción)
Controla la facilidad con la que el llamante puede interrumpir al agente mientras habla:
| Nivel | Comportamiento |
|---|---|
| Very Low | Requiere habla sostenida y clara para interrumpir. Ideal para entornos ruidosos. |
| Low | El llamante debe hablar fuerte o durante más tiempo. Reduce falsos positivos por ruido ambiente. |
| Medium | Ajuste equilibrado. Funciona bien para la mayoría de entornos. |
| High | El agente deja de hablar rápidamente al detectar voz. Para entornos silenciosos. |
| Very High | El agente se detiene ante la primera señal de voz. Conversaciones rápidas y silenciosas. |
Consejo: Si notas que el agente se interrumpe por ruido ambiente, baja la sensibilidad de barge-in. Si los llamantes se quejan de que el agente habla encima de ellos, súbela.
Otros ajustes del agente
| Ajuste | Descripción |
|---|---|
| Interruptible | Activa/desactiva barge-in. Desactívalo para mensajes que deben escucharse completos (avisos legales, disclaimers). |
| Max Call Duration | Duración máxima de la llamada en segundos. Por defecto: 600 (10 minutos). Reduce para casos simples (encuestas, confirmaciones). |
| Silence Threshold | Sensibilidad de detección de voz (VAD) para barge-in. Por defecto: 0.5. Valores altos (0.7-0.9) requieren más confianza; valores bajos (0.2-0.4) son más sensibles. |
Asignar proveedores al agente
Cada agente necesita un proveedor para cada etapa del pipeline:
- En la configuración del agente, busca la sección Providers.
- Selecciona un proveedor STT de tus proveedores configurados.
- Selecciona un proveedor LLM.
- Selecciona un proveedor TTS.
Consejo: Puedes asignar diferentes proveedores a diferentes agentes. Por ejemplo, tu agente de ventas en inglés podría usar Deepgram + GPT-4o + ElevenLabs, mientras que tu agente de soporte en español use Deepgram + Claude Sonnet + Fish Audio.
Asignar un número de teléfono
Para que el agente pueda recibir llamadas, necesita tener un número de teléfono asignado:
- Ve a Phone Numbers en el dashboard.
- Haz clic en el número que quieres asignar.
- Selecciona el agente que acabas de crear en el desplegable.
- Haz clic en Save. El cambio aplica en la siguiente llamada entrante.
Puedes asignar el mismo agente a múltiples números de teléfono, útil cuando tienes números locales de diferentes regiones que deben ir al mismo agente.
Paso 4: Hacer una Llamada de Prueba
Con todo configurado, es momento de verificar que el sistema funciona correctamente:
- Llama al número de teléfono que configuraste.
- Deberías escuchar el mensaje de bienvenida y luego poder mantener una conversación con tu agente de IA.
- Tras la llamada, revisa el Dashboard para ver: duración, transcripción de la conversación, métricas de latencia (STT, LLM, TTS) y desglose de costes.
Resolución de Problemas Comunes
| Problema | Solución |
|---|---|
| Registro SIP falla (Rojo) | Verifica credenciales, servidor SIP, puerto y transporte. Comprueba que el firewall permite tráfico en el puerto 5060 y UDP 10000-10100. |
| Sin audio (llamada muda) | Verifica que los puertos RTP (UDP 10000-10100) están abiertos. Comprueba configuración NAT y codec (alaw o ulaw). |
| El agente no responde | Verifica que el número de teléfono está asignado al agente y que los proveedores STT, LLM y TTS tienen API keys válidas. |
| Eco o feedback | VOCALS aplica jitter buffer adaptativo automáticamente. Si persiste, puede ser del lado del proveedor SIP. Reduce el volumen TTS si es posible. |
| Errores de autenticación | La llamada caerá gracefully y el error aparecerá en los logs. Rota la API key del proveedor afectado. |
Conclusión
En esta guía has aprendido a configurar VOCALS de principio a fin: desde la conexión de tus proveedores de IA hasta la creación y prueba de tu primer agente de voz. Con los proveedores correctos, un buen system prompt y un trunk SIP configurado, tu agente estará listo para gestionar llamadas de forma autónoma.
Documentación completa en docs.usevocals.com. Si necesitas explorar más opciones de integración, visita nuestra página de integraciones. Para elegir el plan que mejor se adapte a tu volumen de llamadas, consulta nuestros planes y precios.