Guía
Cuánto cuesta por minuto un agente de voz con IA
Un agente telefónico con IA es un pipeline de cuatro servicios medidos que funcionan en bucle: la transcripción de voz a texto (STT) transcribe a quien llama, un LLM decide qué decir, la síntesis de texto a voz (TTS) pronuncia la respuesta y un operador de telefonía conecta la llamada. Cada uno se factura de forma distinta (por minuto de audio, por token, por carácter y por minuto de llamada), por eso los precios de la IA de voz son difíciles de comparar de un vistazo. La calculadora lo convierte todo a un costo por minuto. Con los valores predeterminados de arriba (500 llamadas al día, de 4 minutos cada una), el stack cuesta unos $0.0381 por minuto, o $2,318 al mes.
Voz a texto (STT)
El STT se factura por minuto de audio, y se transcribe la llamada completa, hable o no quien llama. Las tarifas de esta calculadora van de $0.001 a $0.0077 por minuto. El streaming importa más que el precio: la transcripción por lotes es más barata, pero un agente en directo necesita transcripciones parciales en unos pocos cientos de milisegundos para resultar ágil.
LLM
El LLM suele ser la partida más pequeña porque las respuestas habladas son cortas, pero se comporta como cualquier agente multiturno: cada turno reenvía el prompt de sistema y la conversación hasta ese momento. A 4 turnos por minuto, una llamada de 4 minutos hace 16 llamadas al LLM y relee 42.000 tokens de entrada. La caché de prompts mantiene ese costo bajo. Las llamadas largas con prompts de sistema grandes y sin caché son donde se dispara el costo del LLM. La calculadora de precios de LLM modela el mismo crecimiento del contexto para agentes de texto, y la tabla de precios de LLM recoge las tarifas por token que hay detrás del desplegable de LLM.
Texto a voz (TTS)
El TTS se factura por carácter generado, solo durante la parte de la llamada en la que habla el agente. Con unos 825 caracteres por minuto hablado y el agente hablando el 45% del tiempo, cada minuto de llamada necesita ~371 caracteres. Eso sitúa el TTS entre $0.00556 y $0.0371 por minuto de llamada según la voz, y las voces premium suelen ser el mayor costo individual del stack.
Telefonía y tarifas de plataforma
Operadores como Twilio y Telnyx cobran $0.007–$0.014 por minuto por llamadas de voz en EE. UU., y un agente WebRTC en un navegador o una app se ahorra este costo por completo. Las plataformas gestionadas como Vapi y Retell añaden una tarifa de orquestación de $0.05–$0.07 por minuto sobre los proveedores subyacentes. Esa tarifa incluye la gestión de turnos, el manejo de interrupciones, la transferencia de llamadas y la analítica, que requieren un esfuerzo de ingeniería considerable para construirse. Usa el campo de plataforma para comparar un stack gestionado con uno propio.
Cómo optimizar la latencia y el gasto de un agente de voz
La voz es el único caso de uso de LLM en el que la latencia importa tanto como el precio. Quien llama espera una respuesta unos 800 ms después de terminar una frase, y ese margen se reparte entre la finalización del STT, el tiempo hasta el primer token del LLM y el tiempo hasta el primer audio del TTS. Las opciones más baratas suelen ser también las más rápidas:
- Elige un LLM rápido de gama media o económico. Los modelos insignia y de razonamiento añaden segundos de reflexión y cuestan varias veces más por token, con poco beneficio en llamadas guionizadas.
- Usa streaming en todo. El STT en streaming, el streaming de tokens del LLM y el TTS en streaming solapan las etapas en lugar de ejecutarlas una tras otra.
- Mantén el prompt de sistema corto y en caché. Menos tokens de entrada por turno significa un primer token más rápido y una factura de LLM más baja.
- Adapta la voz a la llamada. Usa voces TTS premium para ventas y llamadas sensibles para la marca, y voces más baratas para recordatorios, encuestas y soporte rutinario.
- Cierra bien las llamadas. Detecta pronto el buzón de voz y los silencios, y cuelga cuando la tarea esté hecha; cada minuto inactivo sigue pagando STT y telefonía.
- Negocia por volumen. A partir de unos 100.000 minutos al mes, los proveedores de STT, TTS y plataforma ofrecen descuentos por compromiso de uso.
Con volúmenes muy altos, alojar tú mismo el LLM o un modelo Whisper en una GPU dedicada puede salir más barato que pagar por token o por minuto. La calculadora del punto de equilibrio entre API y self-hosting muestra dónde está ese punto de cruce, y la calculadora de VRAM para LLM te dice qué GPU necesitarías.