Aprender / Blog

Cómo construir una plataforma de llamadas con IA (2026): pila tecnológica, arquitectura y configuración del operador.

20 de mayo de 2026

Maxim Cibotaru

| 8 minutos

Cómo crear tu propia plataforma de llamadas con IA en 2026

La guía completa de la pila: LLM, STT, TTS y la capa portadora que la mayoría de los tutoriales omiten.

En 2024, que una IA realizara una llamada telefónica era una novedad. Para 2026, se convertirá en una infraestructura empresarial estándar. Las plataformas de llamadas con IA gestionan la atención al cliente, cualifican clientes potenciales, programan citas, cobran pagos y ejecutan campañas salientes, todo ello sin la intervención de un agente humano.

La mayoría de las empresas adquieren esta funcionalidad ya preparada de plataformas como Vapi, Bland AI o Retell. Pero un número creciente de empresas —agencias, revendedores de telecomunicaciones, desarrolladores de SaaS y empresas con un alto volumen de llamadas— están creando la suya propia. ¿Por qué?

Costo. A gran escala, las plataformas gestionadas cobran entre 0.07 y 0.15 dólares por minuto, todo incluido. Si creas tu propia infraestructura, la misma llamada cuesta entre 0.02 y 0.04 dólares.
Control: Usted elige cada componente: LLM, voz, telefonía, lógica de enrutamiento.
Ventaja competitiva. Tu infraestructura de llamadas se convierte en una ventaja competitiva exclusiva, no en un servicio básico que cualquier competidor pueda comprar.

Esta guía explica la arquitectura completa: qué hace cada capa, qué herramientas usar, cómo se conectan y, lo que es fundamental, la capa de infraestructura del operador que la mayoría de los tutoriales pasan por alto, pero que determina si su plataforma realmente funciona a gran escala.

Las cuatro capas de cada plataforma de llamadas con IA

Antes de elegir las herramientas, comprenda la arquitectura. Toda plataforma de llamadas de IA, ya sea que la desarrolle usted mismo o la compre, funciona con cuatro capas que operan en secuencia:

Caller's phone
      │
      ▼
[Layer 1] Telephony / Carrier
      │  SIP trunk, PSTN gateway, DID numbers
      ▼
[Layer 2] Speech-to-Text (STT)
      │  Transcribes caller audio in real time
      ▼
[Layer 3] LLM (Large Language Model)
      │  Understands intent, decides response
      ▼
[Layer 4] Text-to-Speech (TTS)
      │  Converts response to natural voice audioT
      │
      ▼
Back to caller

El audio fluye continuamente en dos direcciones. La persona que llama habla → el sistema STT transcribe → el sistema LLM genera una respuesta → el sistema TTS sintetiza el audio → la persona que llama escucha la respuesta. Su servidor coordina las cuatro capas en tiempo real. El objetivo de extremo a extremo es que la respuesta, desde que la persona que llama deja de hablar hasta que el agente empieza a hablar, sea inferior a 800 ms. Si supera los 1,000 ms, la persona que llama asume que la conexión se ha interrumpido.

Vamos a construir cada capa.

Capa 1: Telefonía: La base que todos subestiman

Esta es la capa que la mayoría de los tutoriales pasan por alto con un simple "usa Twilio" y siguen adelante. También es la capa que determina el costo por minuto, la calidad del audio y si el agente de IA suena natural o robótico.

Qué hace esta capa:

Recibe llamadas entrantes de números de teléfono reales (PSTN).
Enruta las llamadas salientes a cualquier destino
Transmite audio a tu servidor a través de WebSocket o SIP.
Proporciona los números de teléfono que marcan las personas que llaman.

Sus dos opciones:

Opción A: Telefonía gestionada (Twilio, etc.)

Fácil de configurar. Se aplican tarifas CPaaS estándar (0.013 $/min + llamadas salientes, más las comisiones de la plataforma). Ideal para prototipos y volúmenes bajos. Con más de 100 000 minutos al mes, los costes aumentan rápidamente.

Opción B: Troncal SIP directa (recomendada para entornos de producción)

Conecta tu plataforma directamente a un proveedor mayorista de terminación SIP. Tarifas por minuto más bajas, control total del enrutamiento, sin recargo de plataforma. Se configura en 10 minutos. Ahorra entre un 30 % y un 60 % a gran escala.

Para la producción en serie, se recomienda la capa portadora IDT Express.

IDT Express es un proveedor mayorista de terminación de voz respaldado por IDT Corporation (NYSE: IDT), uno de los operadores mayoristas de voz más grandes del mundo con más de 25 años de infraestructura de operador. Troncal SIP y terminación de voz proporciona a su plataforma de llamadas con IA:

Rutas platino — Audio sin comprimir G.711, retardo posterior a la marcación inferior a 3 segundos, optimizado específicamente para cargas de trabajo de agentes de voz de IA donde la calidad del códec afecta directamente la precisión de la conversión de texto a voz.
Más de 1,000 rutas CLI En más de 200 países, su plataforma puede realizar y recibir llamadas a nivel mundial desde el primer día.
Números DID en más de 140 países — Proporcione a sus agentes números de teléfono locales reales en cualquier mercado al instante a través de la API.
concurrencia elástica — Escalabilidad de 10 a más de 10 000 llamadas simultáneas sin necesidad de preaprovisionamiento.
REVOLVER/AGITA firmado Las llamadas salientes se firman con el nivel de certificación A, lo que evita las etiquetas de spam que reducen las tasas de respuesta.

Configuración SIP (funciona con cualquier framework compatible con SIP):

SIP Server: sip.idtexpress.com
Transport: TLS (recommended) or UDP
Codec: G.711 ulaw (PCMU) — critical for AI workloads
Authentication: Digest auth with your IDT Express credentials
DTMF: RFC 2833Lenguaje de codificación: CSS (css)

Obtén tus credenciales SIP gratis en idtexpress.com/registrarseLas credenciales están disponibles inmediatamente después del registro; no es necesario realizar ninguna llamada comercial.

Capa 2: Conversión de voz a texto: escuchar a quienes llaman.

La capa STT convierte el audio de la persona que llama en texto que tu LLM puede procesar. Para las llamadas de IA por teléfono, esto es más difícil de lo que parece: el audio telefónico funciona a 8 kHz mulaw, no a los 16 kHz PCM que esperan la mayoría de las herramientas de audio.

Requisitos clave para la transmisión de señal telefónica (STT):

Compatibilidad nativa con Mulaw de 8 kHz (sin pasos de remuestreo = menor latencia)
Transcripción en directo (palabra por palabra mientras habla la persona que llama, no después de que termine de hablar).
Latencia media inferior a 300 ms
Precisión en caracteres alfanuméricos: números de teléfono, códigos de confirmación, direcciones de correo electrónico.
Resistencia al ruido: las líneas telefónicas tienen ruido de fondo y artefactos de compresión.

Opciones recomendadas:

Proveedor	Estado latente	Ideal para
Deepgram Nova-2	~ 200 ms	Producción, mejor relación precio/rendimiento
EnsamblajeAI Universal-3	~ 307 ms	Máxima precisión en caracteres alfanuméricos.
OpenAI Whisper (alojado)	~ 400 ms	Uso general, fácil integración
Transmisión STT de Google	~ 250 ms	Multilingüe, empresarial

Para la mayoría de las plataformas de llamadas con IA, Deepgram Nova-2 es la opción predeterminada: acepta de forma nativa el protocolo mulaw de 8 kHz, ofrece una latencia P50 de aproximadamente 200 ms y tiene una excelente precisión en el tipo de datos estructurados que comparten los usuarios por teléfono (números, códigos, direcciones).

Integración rápida (Python, Deepgram):

import deepgram

dg_client = deepgram.Deepgram(DEEPGRAM_API_KEY)

async def transcribe_stream(audio_stream):
    response = await dg_client.transcription.live({
        'encoding': 'mulaw',
        'sample_rate': 8000,
        'model': 'nova-2',
        'interim_results': True,
        'endpointing': 300,
    })
    # Send audio chunks as they arrive from your SIP/WebSocket layer
    async for chunk in audio_stream:
        response.send(chunk)
Lenguaje de codificación: Python (pitón)

Capa 3: El cerebro LLM — Claude para AI Calling

El sistema LLM recibe el texto transcrito de la persona que llama, mantiene el contexto de la conversación, decide qué decir a continuación y, opcionalmente, llama a herramientas externas (su CRM, calendario, sistema de pagos).

¿Por qué elegir a Claude para las llamadas con IA?

Claude (Anthropic) se ha consolidado como una opción sólida para los modelos LLM de agentes de voz por varias razones específicas para los casos de uso de llamadas:

Instrucciones siguientes Claude sigue con precisión las complejas indicaciones del sistema que definen el perfil del agente, el flujo de llamadas, las reglas de escalamiento y el uso de herramientas. En situaciones de llamadas, que un agente se salga del guion es un problema grave. El cumplimiento de las instrucciones por parte de Claude es ejemplar.
Respuestas concisas — Claude tiende a dar respuestas más cortas y conversacionales cuando se le indica correctamente, algo esencial para la voz, donde las respuestas largas se sienten poco naturales y añaden latencia a la síntesis de voz.
Uso de la herramienta — La función de llamada de Claude (API de uso de herramientas) gestiona búsquedas en tiempo real — comprobación de la disponibilidad del calendario, consulta de registros CRM, verificación del estado del pedido — de forma fiable y con el formato JSON correcto.
Contexto de varios turnos — mantiene un contexto de conversación coherente a lo largo de toda la llamada sin “olvidar” los intercambios anteriores.

Selección de modelo para la llamada:

Claude Haiku — Latencia más baja (~150 ms), ideal para flujos de entrada sencillos (preguntas frecuentes, enrutamiento, confirmación de citas).
Claude Soneto — Latencia y razonamiento equilibrados, ideal para la mayoría de los casos de uso de llamadas.
Claude Opus — Máxima calidad de razonamiento, usar solo cuando la complejidad de la llamada lo requiera (ventas complejas, negociaciones).

Estructura del mensaje del sistema para un agente que realiza una llamada:

You are [Agent Name], a [role] for [Company].

PERSONALITY: [tone, style — e.g., "professional but warm, concise"]

YOUR GOAL: [primary objective — e.g., "qualify inbound leads and book a demo"]

CALL FLOW:
1. Greet caller by name if available
2. Identify their need in one open question
3. [flow logic...]
4. If you cannot resolve: transfer to human agent

RULES:
- Keep all responses under 3 sentences
- Never fabricate information — if unsure, say so
- Always confirm before taking any action (booking, updating records)
- End the call professionally if the caller asks to stop

TOOLS AVAILABLE:
- check_calendar(date, time) → returns availability
- create_booking(name, email, date, time) → books appointment
- lookup_customer(phone_number) → returns CRM recordLenguaje de codificación: CSS (css)

Capa 4: Conversión de texto a voz: la voz de su agente.

La capa de síntesis de voz convierte la respuesta de texto de Claude en un audio con sonido natural que se transmite a la persona que llama. La calidad de la voz influye directamente en la confianza que los interlocutores depositan en su agente y en su capacidad para interactuar con él.

Requerimientos clave:

Transmisión de texto a voz (comienza la reproducción antes de que se genere la respuesta completa; reduce la latencia en un 40 %).
Generación del primer byte con baja latencia (<300 ms)
Prosodia natural: pausas, énfasis, ritmo.
Salida compatible con telefonía (8 kHz o convertible)

Opciones recomendadas:

Proveedor	Calidad de voz	Estado latente	Ideal para
oncelabs	Mayor	~ 250 ms	De cara al cliente, premium
cartesia	Excelente	~ 100 ms	Llamadas sensibles a la latencia
OpenAI TTS	Muy bueno	~ 300 ms	Fácil integración, consistente
Azure Neural TTS	Muy bueno	~ 200 ms	Empresa multilingüe

En el ámbito de las plataformas de llamadas con IA, Cartesia ha ganado popularidad precisamente por su latencia del primer byte de audio inferior a 100 ms; esto es fundamental cuando se necesita que el agente empiece a hablar inmediatamente después del procesamiento.

Orquestación: Conectando las cuatro capas

Tu servidor es la capa de orquestación: el puente WebSocket que enruta el audio entre la telefonía y tu canalización de IA. Dos marcos principales:

Pipecat (código abierto, recomendado)

from pipecat.pipeline.pipeline import Pipeline
from pipecat.services.deepgram import DeepgramSTTService
from pipecat.services.anthropic import AnthropicLLMService
from pipecat.services.cartesia import CartesiaTTSService
from pipecat.transports.network.fastapi_websocket import FastAPIWebsocketTransport

async def run_agent(websocket):
    transport = FastAPIWebsocketTransport(websocket)

    pipeline = Pipeline([
        transport.input(),           # Audio in from SIP/WebSocket
        DeepgramSTTService(),        # Speech to text
        AnthropicLLMService(         # Claude LLM
            model="claude-sonnet-4-20250514",
            system=SYSTEM_PROMPT
        ),
        CartesiaTTSService(),        # Text to speech
        transport.output()           # Audio out to caller
    ])

    await pipeline.run()Lenguaje de codificación: Python (pitón)

Agentes LiveKit (código abierto, para mayor escalabilidad) Ideal para gestionar miles de llamadas simultáneas mediante WebRTC y SIP. Requiere mayor infraestructura, pero ofrece una gestión de concurrencia significativamente mejor.

Ensamblándolo: La arquitectura completa

Caller dials DID number (IDT Express)
              │
              ▼
    IDT Express SIP Trunk
    (G.711 audio, Platinum route)
              │
              ▼
    Your SIP Gateway / WebSocket Server
    (Pipecat or LiveKit orchestration)
         │            │
         ▼            ▼
  Deepgram STT    Cartesia TTS
  (transcribe)    (synthesise)
         │            ▲
         ▼            │
    Claude Sonnet (Anthropic)
    (understand + decide + respond)
         │
         ▼
    Tool calls (CRM, calendar, payments)

Presupuesto de latencia de extremo a extremo (objetivo: menos de 800 ms):

Telefonía al servidor: ~50 ms (ruta IDT Platinum)
STT (Deepgram): ~200 ms
LLM (Soneto de Claude): ~200 ms
TTS primer byte (Cartesia): ~100ms
Servidor a telefonía: ~50 ms
Total: ~600 ms ✓

Escalando su plataforma

Una vez que su prueba de concepto con un solo agente funcione, la escalabilidad requiere:

Llamadas simultáneas: Cada llamada se ejecuta en su propio proceso/contenedor. Las troncales SIP de IDT Express son elásticas: no se requiere aprovisionamiento previo. Adapte su capacidad de procesamiento (no su operador) para gestionar picos de demanda.

Alcance global: Los números DID de IDT Express en más de 140 países permiten que tu plataforma acepte llamadas locales en cualquier mercado sin necesidad de contratar operadores por país. Una cuenta, una API, cobertura global.

Optimización de costes a gran escala:

Utilice Claude Haiku para tipos de llamadas simples (ahorra aproximadamente un 70 % en el coste de LLM en comparación con Sonnet).
Rutas instantáneas IDT Express para campañas masivas de envío (las tarifas por minuto más bajas)
Rutas IDT Express Platinum para llamadas entrantes de cara al cliente (la calidad es clave para la fidelización).
Almacenar en caché la síntesis de voz para frases comunes (saludos, mensajes de espera): ahorra aproximadamente un 15 % en el costo de la síntesis de voz.

REVOLVER/AGITAR: Todas las llamadas salientes realizadas a través de IDT Express se firman automáticamente con STIR/SHAKEN. Para las plataformas de llamadas con IA, esto es fundamental: las principales operadoras etiquetan cada vez más las llamadas sin firmar como spam, lo que reduce drásticamente la tasa de respuesta de las llamadas salientes incluso antes de que el agente hable.

Primeros pasos: Lista de verificación de tu pila

Componente	Herramienta recomendada	Es hora de configurar
Troncal operadora/SIP	IDT expreso	10 minutos
Números DID	IDT expreso	Instantáneo a través de API
STT	Deepgram Nova-2	15 minutos
LLM	Claude Sonnet (API antrópica)	10 minutos
TTS	Cartesia o ElevenLabs	15 minutos
Orquestación	Pipecat	30 minutos
Infra	AWS/GCP + Docker	1-2 horas

Cronología realista:

Prueba de concepto funcional: 1-2 días
Agente de producción de un solo caso de uso: 1–2 semanas
Plataforma completa multiuso con análisis: 4–8 semanas

Preguntas frecuentes

P: ¿Puedo crear una plataforma de llamadas con IA sin tener experiencia en programación? R: No es realista con la infraestructura descrita aquí. Para opciones sin código, Vapi, Bland AI y Synthflow son plataformas gestionadas diseñadas específicamente para ello. Si desea crear la suya propia y cuenta con un equipo de desarrollo, esta guía cubre todo lo que necesita.

P: ¿Por qué es importante el códec de audio para las llamadas de IA? A: Los motores de conversión de voz a texto con IA funcionan mucho mejor con audio sin comprimir G.711 que con audio comprimido G.729. Los códecs comprimidos introducen artefactos que reducen la precisión de la transcripción hasta en un 15 %, lo que degrada la entrada de su LLM y produce peores respuestas del agente. Las rutas de IDT Express Platinum utilizan G.711 por defecto.

P: ¿Cómo puedo obtener números de teléfono para mi plataforma de llamadas con IA? A: IDT Express ofrece números DID (marcación directa entrante) en más de 140 países, configurables mediante API. Los números se activan al instante. Puede asignarlos a flujos de llamadas entrantes, a agentes de IA específicos o utilizarlos para la identificación de llamadas salientes.

P: ¿Mi plataforma de llamadas con IA necesita cumplir con las normas STIR/SHAKEN? R: Sí, para llamadas salientes en EE. UU. Las regulaciones de la FCC exigen la firma STIR/SHAKEN en todas las llamadas salientes. IDT Express gestiona esto automáticamente: todo el tráfico saliente se firma con el nivel de certificación A. Las principales operadoras etiquetan cada vez más las llamadas salientes que no cumplen con la normativa como «posiblemente spam».

Próximos Pasos

Si estás listo para construir:

Crea una cuenta gratuita de IDT Express. — Obtén tus credenciales SIP y 25 $ de crédito gratis. Solo te llevará 60 segundos.
Regístrate para obtener acceso a la API de Anthropic. — Tu clave API de Claude está disponible inmediatamente en console.anthropic.com
Instalar Pipecat — Instale pipecat-ai con pip y ejecute el inicio rápido.
Realiza tu primera llamada a IA — una prueba de concepto funcional en menos de un día

Para la capa de operador —la infraestructura que conecta su IA con la red telefónica real— Terminación de voz IDT Express y Troncal SIP Está diseñado específicamente para cargas de trabajo de voz con IA: audio G.711, concurrencia elástica, números DID globales y cumplimiento con STIR/SHAKEN incluidos.

Comienza a construir — gratis un cuenta →

Compartir este artículo