Audios en la atención por WhatsApp: qué hace el asistente
Publicado el 06 de octubre de 2026
Cuando un cliente envía una nota de voz en lugar de escribir, el asistente la transcribe y responde por texto.
Responder por voz es un paso aparte que llega después, en la última etapa de la puesta en marcha.
Qué pasa cuando un cliente envía una nota de voz
El cliente toca el micrófono y habla.
Llega un archivo de audio a la conversación, igual que una foto o una captura de pantalla.
En la API de WhatsApp Cloud, el audio llega como un mensaje multimedia, que el sistema descarga para transcribirlo.
Antes de responder, el asistente necesita el contenido en texto, porque el texto es lo que lee.
Por eso el audio se transcribe, y el texto entra en la conversación.
A partir de ahí, funciona igual que una pregunta escrita.
Reserva, confirma, recuerda, deja registro o pasa la conversación a una persona cuando hace falta.
Qué hace el asistente con el audio
El audio se convierte en texto, y el asistente lee ese texto para responder.
La respuesta es la misma que para una pregunta escrita: el servicio, el precio, el hueco libre, la confirmación.
Solo el principio fue hablado.
El audio también se añade al registro de la conversación.
Las fotos, capturas y audios que llegan se guardan como archivos con el nombre y la carpeta correctos, y el audio se convierte en texto.
Cuándo tiene sentido responder por voz
Responder por voz tiene sentido cuando el cliente también envió un audio.
También funciona cuando la respuesta es una explicación más fácil de escuchar que de leer.
El texto es mejor cuando la persona va a necesitar volver a mirarlo.
La dirección, el precio, la hora y lo acordado son cosas a las que el cliente vuelve, y en texto las encuentra rápido.
Una respuesta por voz no sustituye al registro.
Lo acordado queda guardado en la conversación, en texto, para que lo consultes después.
Qué depende de la calidad del audio
- Un audio con ruido, grabado en la calle o con mucha gente hablando, produce una transcripción con huecos. Una frase equivocada lleva a una respuesta equivocada.
- Un audio largo cansa y mezcla temas. Dividirlo en partes más cortas ayuda.
- Un audio con más de un tema, como una petición de cita y una pregunta de precio, puede hacer que el asistente responda lo que entendió y se le escape un punto.
- Cuando la transcripción no tiene sentido, lo correcto es pedir a la persona que escriba o pasar la conversación a alguien del equipo, no adivinar.
A qué etapa de la puesta en marcha pertenece
El audio llega en la siguiente fase de la puesta en marcha.
La atención empieza con texto, junto con las reservas, los recordatorios y los registros.
La cuarta parte de la entrega cubre la voz y los ajustes finos: audio transcrito, respuestas por voz y lo que el uso real muestre que hace falta.
En resumen: primero va el texto, y la voz llega después, en la cuarta parte de la entrega, dentro del alcance acordado.
Qué tienes que decidir antes
- Si quieres respuestas por voz, y cuándo: para todos los clientes o solo para quienes enviaron un audio.
- Qué hacer cuando el audio no se entiende: pedir que escriban, llamar a una persona, o las dos cosas.
- Quién hace el seguimiento de las notas de voz que se entendieron solo en parte, si aparecen.
- Si el audio entra en el alcance desde el principio o se deja para una etapa posterior.
Estas decisiones dan forma a la puesta en marcha, así que conviene hablarlas antes de contratar.
En nuestro WhatsApp está el asistente que montamos, ya en marcha.