El modelo de transcripción en directo combina audio y contexto conversacional para estimar cuándo has terminado de hablar, sin depender únicamente de cuánto dura un silencio.
Cuando hacer una pausa significa perder el turno
Estás hablando con un asistente telefónico y necesitas unos segundos para recordar un dato. «La dirección es…». Antes de que puedas continuar, la máquina responde. Vuelves a intentarlo, os pisáis y una gestión sencilla acaba convirtiéndose en una pequeña prueba de paciencia.
El problema no siempre está en reconocer las palabras. También importa decidir cuándo debe escuchar el sistema y cuándo le toca responder.
Una pausa puede servir para respirar, buscar un documento o pensar cómo explicar algo. Tratar todos esos silencios como un final de intervención obliga al usuario a adaptarse al ritmo de la máquina.
Qué ha presentado ElevenLabs
ElevenLabs anunció el 10 de noviembre de 2026 dos modelos de voz a texto: Scribe v3, orientado a grabaciones, y Scribe v3 Live, pensado para transcripción en tiempo real.
En la versión Live destaca la predicción de turnos: utiliza el audio y el contexto de la conversación para estimar si la persona ha terminado. Según la compañía, esta función ya se utilizaba en ElevenAgents y ahora también está disponible mediante su API.
El silencio necesita contexto
Imagina que estás haciendo un pedido y dices: «Quiero una hamburguesa… con patatas y sin cebolla». La pausa después de “hamburguesa” no significa necesariamente que hayas acabado.
Un sistema que se guíe únicamente por un temporizador tiene un dilema: si espera poco, puede interrumpirte; si espera demasiado, cada respuesta llega con una demora incómoda.
Incorporar el contexto busca mejorar esa decisión. No equivale a leer la mente ni garantiza que el asistente nunca se adelante. Consiste en estimar el final de una intervención con más información que la duración del silencio.
Qué sabemos de las mejoras de precisión
ElevenLabs comunica una reducción del 27 % en los errores de palabras de Scribe v3 frente a Scribe v2. Para Live, su anuncio indica un 43 % menos de errores que alteran el significado frente a Scribe v2 Realtime.
Son resultados publicados por el fabricante. Además, ambas cifras miden aspectos distintos: no deben interpretarse como una comparación directa entre las dos versiones ni como una garantía para cualquier llamada.
Transcribir bien y conversar bien son cosas diferentes
Reconocer correctamente una frase es solo una parte de la experiencia. Un asistente puede transcribir cada palabra y aun así resultar frustrante si responde antes de tiempo o no permite corregir un dato.
También ocurre lo contrario: esperar con paciencia no sirve de mucho si después confunde una dirección o interpreta mal la petición.
Por eso, evaluar un agente de voz exige observar la conversación completa. ¿Deja terminar? ¿Entiende una rectificación? ¿Pide aclaraciones cuando faltan datos? ¿Resuelve la gestión sin obligar a repetirla?
Por qué importa en las llamadas cotidianas
El beneficio potencial se entiende mejor en situaciones sencillas: dictar un número por partes, consultar una factura mientras hablas o detenerte para recordar una fecha.
Si la predicción de turnos funciona bien, esas pausas pueden dejar de provocar respuestas prematuras. Eso ayudaría a mantener un ritmo más natural, especialmente cuando el usuario necesita tiempo para expresarse.
La prueba decisiva será comprobarlo en conversaciones reales, con ruido, dudas y correcciones. Porque una buena interacción de voz no se mide solo por lo rápido que responde la máquina: también por el espacio que deja para hablar.
Fuentes
Sombra Radio · Apoyo de lectores
Ayuda a mantener viva Sombra Radio
Tu aportación voluntaria nos ayuda a seguir publicando sobre IA. Puedes apoyarnos desde 1 € al mes.
