Resumir contenido con:
Agentes de voz con IA self-hosted: por qué los equipos miran hacia el código abierto
Cada pocas semanas aparece un nuevo proyecto de agente de voz de código abierto en Hacker News. Esta semana ha sido un stack autohospedado con una API compatible con Vapi. El argumento es siempre el mismo: ejecútalo todo tú mismo, conserva tus datos y deja de pagar una tarifa por minuto a la plataforma. Para un equipo de ingeniería con un fin de semana libre, parece la decisión obvia.
Esta guía analiza la decisión desde el punto de vista del comprador. Un agente de voz con IA autohospedado puede ser la opción correcta. Pero la verdadera pregunta no es "¿podemos construirlo?". La mayoría de los equipos pueden. La pregunta es quién lo gestiona a las 8:03 de un lunes por la mañana cuando hay 40 llamadas en espera y el servicio de voz a texto se bloquea. Si comparas honestamente la IA de voz autohospedada con la gestionada, debes tener en cuenta algo más que la factura del modelo.
Qué contiene realmente un stack de agente de voz autohospedado
Una llamada telefónica con un agente de IA parece sencilla desde fuera. Detrás, el audio viaja a través de una cadena de servicios. Cada uno tiene su propia latencia, precio, modo de fallo y ciclo de actualización.
| Capa | Función | Lo que controlas al autohospedar |
|---|---|---|
| Telefonía | Recibe y realiza llamadas vía SIP o API de operador | Números, troncales, identificador de llamadas, reputación de spam, verificación de números |
| Voz a texto (STT) | Convierte el audio de la llamada en texto en tiempo real | Elección de proveedor por idioma, alternativas, vocabulario personalizado |
| LLM | Decide qué decir y qué herramienta llamar | Elección del modelo, prompts, salvaguardas, coste por llamada |
| Texto a voz (TTS) | Convierte la respuesta en una voz natural | Selección de voz, pronunciación, configuración de streaming |
| Orquestación | Turnos de palabra, interrupciones, gestión de silencios, transferencias | El código más complejo del stack, y nunca está realmente terminado |
| Monitorización | Transcripciones, control de calidad, alertas, evaluación | Paneles de control, revisión de llamadas, pruebas de regresión |
Los frameworks de código abierto como Pipecat y LiveKit Agents te ofrecen buenos bloques de construcción para la capa de orquestación. No te proporcionan la relación con el operador, el proceso de control de calidad de voz ni a la persona a la que llamar por la noche si algo falla. Esa es la brecha que los equipos subestiman.
IA de voz autohospedada frente a gestionada: una comparativa lado a lado
Esta es la comparativa que utilizamos con los clientes que preguntan por el autohospedaje. Evita deliberadamente los precios de los proveedores, ya que cambian mensualmente. Se centra en lo que asumes.
| Criterio | Stack autohospedado | Plataforma gestionada |
|---|---|---|
| Tiempo hasta la primera llamada en vivo | De semanas a meses para una configuración de producción | De horas a días |
| Modelo de costes | Varias facturas de proveedores más infraestructura y tiempo de ingeniería | Un precio o plan por minuto |
| Ajuste de latencia | Tu trabajo: regiones, streaming, mezcla de proveedores | Gestionado y medido por el proveedor |
| Cambio de proveedor | Control total, pero debes reescribir la integración | Cambia modelos o voces en un ajuste |
| Ubicación de los datos | Donde tú elijas | Depende del proveedor, verifica el alojamiento y retención en la UE |
| Documentación de cumplimiento | Tú la redactas: DPA, registros, divulgación de IA | El proveedor proporciona plantillas y acuerdos |
| Guardias y soporte | Tu equipo, incluyendo noches y festivos | Equipo de operaciones del proveedor |
| Edición no técnica | Normalmente un cambio de código y un despliegue | Editor no-code para prompts, flujos y herramientas |
| Dependencia del proveedor (lock-in) | Baja sobre el papel, alta en conocimiento interno | Depende de las opciones de exportación, pregunta antes de firmar |
Los costes ocultos del autohospedaje
Cuando los equipos comparan costes, suelen comparar el precio por minuto gestionado con los precios brutos de los modelos. Esa comparación es injusta para la parte gestionada. Una factura bruta de STT, LLM y TTS es solo una parte del coste de ejecutar llamadas. Estas líneas son fáciles de olvidar:
- Tiempo de ingeniería. Construcción inicial y mantenimiento permanente. Los stacks de voz necesitan actualizaciones cada vez que un proveedor cambia una API o lanza un modelo mejor.
- Guardias y gestión de incidentes. Una línea telefónica caída es visible para los clientes en cuestión de minutos. Alguien debe encargarse de la recuperación.
- Capacidad ociosa. Los servidores de medios autohospedados deben dimensionarse para la carga máxima, por lo que pagas por un margen que solo usas unas pocas horas a la semana.
- Pruebas y control de calidad. Cada cambio en un prompt puede romper un flujo de llamada. Necesitas llamadas de prueba, conjuntos de evaluación y herramientas de revisión.
- Gestión de operadores y cumplimiento. La verificación de números, el identificador de llamadas, el consentimiento de grabación y las reglas de divulgación de IA no desaparecen.
- Coste de oportunidad. Cada sprint dedicado a la lógica de turnos de palabra es un sprint que no dedicas a tu producto real.
Desglosamos la parte gestionada de esta ecuación en nuestra guía sobre las cinco líneas de coste detrás de un minuto de agente de voz. Las mismas cinco líneas existen cuando autohospedas. Solo las pagas con una moneda diferente.
Un ejemplo práctico: grupo dental con seis clínicas
Imagina un grupo dental con seis clínicas y una línea telefónica central. Las llamadas pico llegan entre las 8:00 y las 10:00 y después de comer. El grupo quiere un agente que reserve, mueva y cancele citas en el software de gestión, responda preguntas sobre horarios y derive emergencias a un humano.
Con un stack autohospedado, el equipo construye el puente de telefonía, elige un modelo STT para alemán, conecta un LLM con llamadas a herramientas para el calendario, añade una voz TTS y escribe la lógica de transferencia. Funciona en una demo en pocos días. Las siguientes semanas se dedican a lo que las demos ocultan: personas que interrumpen, dialectos, una clínica con mala conexión, una API de calendario que limita la tasa de peticiones y una transferencia que corta la llamada. Cada corrección requiere un despliegue.
Con una plataforma gestionada, el mismo grupo configura el asistente en un editor, conecta el calendario, prueba con llamadas reales y se pone en marcha. Cuando una voz o un modelo mejora, cambian un ajuste. La contrapartida: aceptan los límites de la plataforma en cuanto a lógica muy personalizada.
Ningún camino es incorrecto. El punto es que el trabajo recae en diferentes lugares.
Calcula tu ROI automatizando llamadas
Descubre cuánto podrías ahorrar al usar voice agents con IA.
Resultado ROI
ROI 0%
Sin tarjeta de crédito
Cuándo tiene sentido autohospedar IA de voz
Construimos una plataforma gestionada y, aun así, decimos a los clientes potenciales que autohospeden en algunos casos. El autohospedaje es una opción razonable cuando:
- Ya tienes un equipo de ingeniería de voz. Dos o más ingenieros que conocen el audio en tiempo real y que quieren ser dueños del sistema.
- Las reglas de alojamiento son estrictas. Algunos clientes del sector público o defensa necesitan un entorno totalmente aislado sin procesadores externos.
- El volumen es muy alto y muy estable. A gran escala, ser dueño de partes del stack puede ser rentable, si lo has medido.
- El agente es tu producto. Si la IA de voz es lo que vendes, el stack es tu activo principal y deberías controlarlo.
- Necesitas flexibilidad de nivel de investigación. Modelos personalizados, pipelines de audio inusuales, arquitecturas experimentales.
Si nada de esto se aplica, una plataforma gestionada suele llevarte a un agente funcional y medido más rápido. Nuestra comparativa anterior sobre un asistente telefónico de IA de código abierto y Famulor cubre las compensaciones técnicas con más detalle.
Latencia, calidad y el último 10 por ciento
Los stacks de código abierto alcanzan el "habla" rápidamente. El último 10 por ciento es donde los agentes telefónicos triunfan o fracasan: qué tan rápido vuelve la primera palabra, cómo maneja el agente las interrupciones, qué sucede en el silencio, cómo lee números de teléfono y direcciones de correo, y cómo se comporta cuando la persona que llama está enfadada o tiene una mala conexión.
Estos detalles provienen de miles de llamadas reales, no de un framework. Una plataforma gestionada amortiza ese aprendizaje entre todos sus clientes. Si autohospedas, lo recopilas tú mismo, una llamada dolorosa a la vez. Nuestra guía sobre qué tan rápido debe responder un bot telefónico muestra por qué los pequeños retrasos cambian el comportamiento de quien llama.
Protección de datos: autohospedar no significa cumplimiento automático
Un argumento común para el autohospedaje es el control de datos. Es válido, pero incompleto. Si tu agente autohospedado sigue enviando audio a un proveedor externo de STT, LLM y TTS, sigues teniendo procesadores, sigues necesitando acuerdos de procesamiento de datos y sigues debiendo gestionar la retención. Alojar la capa de orquestación tú mismo no elimina esas obligaciones.
Lo que importa es un mapa claro: a dónde va el audio, qué proveedor ve qué datos, cuánto tiempo se almacenan y cómo informas de la IA a quien llama. Un proveedor gestionado con alojamiento en la UE, retención definida y acuerdos listos puede hacer esto más fácil que redactar el papeleo tú mismo. Vayas por donde vayas, verifica la ubicación y retención de datos antes de lanzar. Nuestra guía sobre retención cero de datos para agentes de voz enumera las preguntas que debes hacer.
Un proceso de decisión práctico en cinco pasos
- Define el primer caso de uso. Un tipo de llamada, un resultado. Por ejemplo: reservar citas, cualificar leads entrantes o responder llamadas fuera de horario.
- Enumera las integraciones que necesitas. Calendario, CRM, helpdesk, WhatsApp. Las integraciones llevan más tiempo que la capa de voz.
- Estima los minutos mensuales. Usa un rango. Los picos importan más que los promedios.
- Pon precio a tu propio tiempo. Estima las semanas de construcción y las horas de mantenimiento semanal, e incluye las guardias.
- Realiza un piloto de dos semanas en una plataforma gestionada. Mide la tasa de respuesta, la tasa de reserva y la calidad de la transferencia. Luego decide si el autohospedaje añadiría un valor que puedas cuantificar.
Cómo encaja Famulor en el panorama
Famulor es una plataforma de IA de voz gestionada para teléfono, WhatsApp y chat. Construyes asistentes en un editor no-code, conectas tus herramientas a través de integraciones y traes tus propios números o compras nuevos. El uso se factura por minuto: el precio por minuto de pago por uso es 0,15 €, y los planes como Plus a 27 € al mes (facturado anualmente) incluyen minutos, con minutos extra a 0,12 €. La lista completa está en la página de precios.
Las agencias que quieran revender agentes de voz bajo su propia marca pueden usar la opción de marca blanca. Los equipos que gestionan operaciones entrantes más grandes pueden consultar la configuración de centro de llamadas con IA.
Conclusión: sé dueño del resultado, no necesariamente del stack
Los agentes de voz de IA autohospedados son una opción real y el ecosistema de código abierto mejora cada mes. Sin embargo, la infraestructura es la parte menor del proyecto. Quienes llaman te juzgan por si el teléfono se contesta bien, siempre. Para la mayoría de las empresas, la forma más rápida de lograr ese resultado es una plataforma gestionada, con la opción de reconsiderar la decisión una vez que el volumen y los requisitos estén claros.
Empieza con un tipo de llamada, realiza una prueba piloto y mide el resultado. Si funciona, escala. Si alcanzas un límite que solo el autohospedaje puede resolver, sabrás exactamente cuál es ese límite.
Prueba nuestro Asistente de IA
Experimenta lo natural que suena nuestro asistente telefónico de IA.
Introduce tus datos y recibe una llamada de nuestro agente de IA en segundos.
El agente está entrenado para hablar sobre los servicios de Famulor y programar citas.
Agente IA de demo
Representante de Famulor
Preguntas frecuentes
¿Qué es un agente de voz de IA autohospedado?
Es un agente telefónico o de voz en el que ejecutas la capa de orquestación en tu propia infraestructura. Por lo general, sigues conectándote a proveedores externos para la conversión de voz a texto, modelos de lenguaje, conversión de texto a voz y telefonía.
¿Es el autohospedaje más barato que una plataforma de IA de voz gestionada?
No por defecto. Los precios brutos de los modelos parecen bajos, pero debes sumar el tiempo de ingeniería, el servicio de guardia, el margen de infraestructura, el control de calidad y el trabajo de cumplimiento. Puede resultar rentable con un volumen alto y estable y un equipo experimentado.
¿Qué marcos de trabajo de código abierto existen para agentes de voz?
Pipecat y LiveKit Agents son dos ejemplos muy utilizados. Ayudan con las canalizaciones de audio en tiempo real y los turnos de palabra, pero aún necesitas operadores, proveedores, monitorización y operaciones.
¿Resuelve el autohospedaje las preocupaciones sobre el RGPD?
Solo en parte. Si el audio sigue fluyendo hacia proveedores externos, necesitas acuerdos, reglas de retención y una divulgación clara de IA. Comprueba la ubicación y la retención de datos de cada proveedor en la cadena.
¿Cuánto tiempo lleva lanzar un agente de voz gestionado?
Un primer agente con un tipo de llamada puede estar activo en cuestión de días. El tiempo se invierte en prompts, integraciones y llamadas de prueba, no en infraestructura.
¿Puedo pasar de una plataforma gestionada a mi propia infraestructura más adelante?
Sí, si mantienes los prompts, los flujos y los casos de prueba en documentos portátiles. Pregunta a cualquier proveedor sobre las opciones de exportación antes de comprometerte.
¿Cuál es el mayor riesgo de construirlo tú mismo?
Subestimar el mantenimiento. La demostración funciona rápido, pero la producción necesita ajustes continuos, monitorización y gestión de incidentes.
¿Puede Famulor importar asistentes que construí en otro lugar?
Famulor permite importar asistentes desde varias plataformas de voz. La página de migración explica los pasos y qué elementos se transfieren.
Autor en Famulor