Comprensión de voz y multimedia
Tu agente de IA entiende las notas de voz, fotos y video entrantes, y en WhatsApp también puede responder con una nota de voz hablada.
Dos capacidades
Waslo maneja el contenido multimedia de dos formas distintas. Conviene mantenerlas separadas:
- Comprensión entrante: los clientes envían una nota de voz, foto o video y la IA lo entiende, luego responde en texto.
- Respuestas de voz (Growth): la IA responde con una nota de voz hablada, no solo con texto.
La primera funciona en todos los canales principales. La segunda es una función de Growth y, hoy, envía respuestas habladas en WhatsApp. Los detalles a continuación.
Comprensión de multimedia entrante
Los clientes no siempre escriben. Graban una nota de voz rápida, toman una foto o envían un clip corto. La IA de Waslo es multimodal: puede ver y escuchar lo que un cliente envía y responder con base en ello, en texto.
Activo en:
- Telegram
- Messenger
Qué pueden enviar los clientes
| Multimedia | Ejemplo de uso |
|---|---|
| Nota de voz | "¿Tienes esto en existencia?" dicho en lugar de escrito |
| Foto | "¿Es esta la pieza correcta?" / una foto de un producto o modelo |
| Video | Un clip corto que muestra un reporte de daños o una falla |
Usos reales: un cliente fotografía un producto y pregunta si está disponible; alguien envía una imagen de una cita; un cliente graba una pregunta de voz en su propio idioma; un comprador filma un defecto para un reclamo de garantía. La IA recibe el contenido multimedia y responde en texto, basándose en tu base de conocimiento y tu Catálogo igual que con un mensaje escrito.
Las respuestas siguen siendo de texto
Para la comprensión de multimedia entrante, la respuesta es de texto en los cuatro canales. Esto es deliberado: entender el contenido multimedia y responder hablando son dos funciones separadas (ver Respuestas de voz abajo).
Respuestas de voz (Growth)
En el plan Growth tu IA puede responder con una nota de voz hablada real: una respuesta de audio de sonido natural, en el idioma del cliente.
La regla del espejo
Waslo nunca sorprende a un cliente con una nota de voz inesperada:
- Un cliente envía una nota de voz → la IA responde con una nota de voz.
- Un cliente envía un mensaje escrito → la IA responde con texto.
Así que la salida de voz solo ocurre cuando el cliente eligió la voz primero. También se guarda en la conversación una copia en texto de cada respuesta hablada, para que tu equipo pueda leer lo que se dijo.
Dónde funcionan hoy las respuestas de voz
| Canal | Entiende multimedia entrante | Responde con voz |
|---|---|---|
| Sí | Sí | |
| Telegram | Sí | Solo texto |
| Sí | Solo texto (la API no puede enviar audio) | |
| Messenger | Sí | Solo texto |
Las respuestas habladas actualmente salen en WhatsApp. En Telegram, Instagram y Messenger la IA aún entiende las notas de voz, fotos y video entrantes; simplemente responde en texto por ahora. La API de Instagram no puede enviar audio en absoluto, así que las respuestas de voz no son posibles ahí.
Cómo activar las respuestas de voz
- Estar en el plan Growth con una suscripción activa.
- Abre AI Agent → Voice Replies.
- Activa el interruptor de respuestas de voz para tu organización.
- Elige una voz: selecciona por idioma y género, y escúchala antes de guardar.
- Guarda. A partir de entonces, voz de entrada obtiene voz de salida en WhatsApp, siguiendo la regla del espejo.
Créditos
El contenido multimedia cuesta más que el texto simple porque usa IA multimodal:
- Una respuesta de texto es el costo base.
- Los eventos de voz, imagen y video (entender multimedia entrante, o sintetizar una respuesta hablada) cuestan más por evento que una respuesta de texto.
En PAYG estos salen de tu saldo de créditos; en Growth, la mensajería está incluida. Consulta Facturación y planes para las tarifas actuales.
Limitaciones honestas
- Las respuestas de voz son primero en WhatsApp. Telegram y Messenger entienden multimedia entrante pero responden en texto hoy; Instagram no puede enviar audio en absoluto.
- La voz en árabe es árabe estándar moderno. Las respuestas de voz en árabe usan MSA (
ar-XA); no hay voces de dialectos regionales por el momento. - Las respuestas de voz requieren Growth. La comprensión entrante es más amplia, pero las respuestas habladas requieren una suscripción Growth activa más el interruptor de la organización encendido.
- El contenido multimedia tiene límites de tamaño. Los archivos muy grandes podrían no procesarse.
Preguntas frecuentes
¿Mi cliente puede enviar una nota de voz y recibir una respuesta hablada? Sí, en WhatsApp con las respuestas de voz activadas (Growth). La regla del espejo significa que una nota de voz de entrada obtiene una nota de voz de salida. En Telegram, Instagram y Messenger la IA entiende la nota de voz pero responde en texto.
¿Los clientes que escriben recibirán de repente notas de voz? No. Texto de entrada siempre obtiene texto de salida. La salida de voz solo ocurre cuando el cliente envió voz primero.
¿Qué idioma usa la respuesta de voz? El idioma del cliente. El árabe usa árabe estándar moderno.
¿La IA puede entender la foto de un producto? Sí — es multimodal. Puede razonar sobre la imagen y responder en texto, usando tu base de conocimiento y tu Catálogo.
¿Necesito Growth para la comprensión de multimedia? La comprensión entrante de voz, fotos y video está disponible en los canales compatibles. Enviar respuestas de voz habladas es la función de Growth.
¿Hay un registro en texto de las respuestas habladas? Sí. Se guarda en la conversación una copia en texto de cada respuesta de voz.
Próximos pasos
- Configuración del agente de IA — configura las respuestas de voz y el Catálogo de productos
- Base de conocimiento (RAG) — basa cada respuesta en tu propio contenido
- Facturación y planes — créditos, paquetes y el plan Growth