Barge-in en agentes de voz con IA: cómo se gestionan las interrupciones en tiempo real

El barge-in en los agentes de voz con IA es una de esas funciones que parecen sencillas, pero que se complican enseguida cuando te pones a construirlas. En telli, consideramos el barge-in una parte esencial para que las conversaciones resulten naturales y no suenen a guion. En una conversación real, la gente no espera educadamente su turno: interrumpe, corrige y reacciona en tiempo real. Así que el reto no es solo permitir interrupciones, sino entender la intención que hay detrás. En este artículo explicamos qué es el barge-in, cómo funciona por dentro y cómo lo abordamos en la práctica.

¿Quieres probar tú mismo el barge-in?

Prueba nuestra demo aquí debajo y comprueba cómo reacciona nuestro agente cuando lo interrumpes a mitad de frase.

¿Qué es el barge-in?

El barge-in es la posibilidad de que el usuario interrumpa a un agente de voz mientras habla y tome de inmediato el control de la conversación. En lugar de esperar a que el sistema termine su respuesta, el usuario puede intervenir con naturalidad.

Los sistemas IVR antiguos obligaban a los usuarios a escuchar los mensajes enteros antes de responder. Hoy ese modelo se ha quedado anticuado. La gente espera que las conversaciones avancen a su ritmo.

En telli creemos que el barge-in no es solo una función técnica: es fundamental para crear buenas experiencias de cliente con IA de voz. Pero es un equilibrio delicado; buena parte del problema consiste en averiguar cuándo alguien quiere tomar la palabra de verdad y cuándo solo está reaccionando.

¿Cómo funciona el barge-in?

El barge-in depende de una combinación de procesamiento de audio en tiempo real y sistemas de decisión. No hay una única señal que te diga qué hacer, así que tienes que combinar varias.

Cuándo le toca hablar al agente

Antes incluso de pensar en las interrupciones, el sistema necesita saber cuándo debe hablar.

En telli usamos sistemas de transcripción como Deepgram y otros para estimar cuándo ha terminado de hablar el usuario. Esto se hace con probabilidades, no con reglas fijas.

Hay dos factores principales:

• Lingüística: ¿Suena completa la frase?
• Tiempo: Cuánto tiempo lleva el usuario en silencio

Definimos un umbral, a menudo en torno al 90 % de probabilidad, que determina cuándo empieza a hablar el agente. El comportamiento exacto depende mucho del proveedor de transcripción y de la rapidez y precisión con que devuelve los resultados.

En la práctica, es un equilibrio constante. Si respondes demasiado pronto, interrumpes al usuario. Si esperas demasiado, la conversación se hace lenta.

Interrupciones: cuándo se detiene el agente

Una vez que el agente está hablando, el siguiente reto es decidir cuándo debe parar. Ahora mismo, nuestro enfoque en telli se basa sobre todo en umbrales de número de palabras.

Por ejemplo: si el umbral está en tres palabras, el agente deja de hablar en cuanto el usuario ha dicho tres palabras.

Así obtenemos una señal sencilla y fiable de que el usuario probablemente quiere interrumpir.

Lo complicado: no todas las interrupciones son intencionadas.

La gente suele decir cosas como:

“Ah, sí”

“Tiene sentido”

“Vale”

Son formas de asentir propias de cualquier conversación, no intentos de tomar la palabra. Pero, técnicamente, siguen pareciendo una entrada de voz.

¿Y qué ocurre?

• El agente deja de hablar
• Espera a que el usuario continúe
• Aunque el usuario no tuviera ninguna intención de interrumpir

Es uno de los mayores retos de calidad en los que estamos trabajando. El sistema tiene que distinguir mejor entre un simple asentimiento y una intención real de interrumpir.

Falsas interrupciones

Otro problema que vemos en producción son las falsas interrupciones.

Normalmente las provoca la detección de actividad de voz (VAD, por sus siglas en inglés).

La VAD detecta que hay sonido, pero eso no siempre significa que haya habla con sentido.

Esto es lo que suele ocurrir:

• El sistema detecta audio
• No llega ninguna transcripción útil
• El agente hace una breve pausa
• Si no ocurre nada más, el agente sigue hablando
• El evento se registra como falsa interrupción

Puede deberse a ruido de fondo, a la respiración o a otros sonidos que no son habla.

Tratamos estos casos con cuidado, porque reaccionar de más genera conversaciones entrecortadas, mientras que ignorarlos puede hacer que se pase por alto una intención real del usuario.

¿Por qué es importante el barge-in para la experiencia de cliente?

Por lo que hemos visto, el barge-in influye directamente en lo natural y eficiente que resulta una conversación.

Reduce las esperas

Los usuarios no quieren escuchar entera una respuesta que ya han entendido. El barge-in les permite avanzar más rápido y mantiene la interacción eficiente.

Resulta más humano

Las conversaciones reales no se rigen por turnos estrictos. La gente se interrumpe constantemente. Permitirlo hace que la IA parezca menos robótica.

Ayuda a completar las tareas

Cuando los usuarios pueden corregir al agente al momento, la conversación no se desvía. Así se reduce la frustración y, a menudo, se acorta la llamada.

Da el control a los usuarios

Probablemente es lo más importante. Cuando el barge-in funciona bien, los usuarios sienten que son ellos quienes llevan la conversación, en lugar de limitarse a reaccionar.

En telli, vemos el barge-in como un equilibrio continuo entre capacidad de respuesta y estabilidad de la conversación. El objetivo no es solo permitir que los usuarios interrumpan, sino entender cuándo quieren hacerlo de verdad. Ahí es donde sigue estando la mayor parte del trabajo.