La voz como interfaz que salta barreras
Una parte enorme de la población mundial sigue sin poder acceder a servicios digitales por una razón simple: no lee ni escribe con fluidez. En India, más de la mitad de las mujeres del quintil más pobre no pueden leer en absoluto. Ese dato aparece en la investigación detrás de FormBharo, un agente de voz que llena formularios de salud por teléfono. El proyecto, desarrollado por Artpark y el Indian Institute of Science, se pilota con la ONG ARMMAN para inscribir madres de bajos ingresos en programas de cuidado materno-infantil.
El problema no es exclusivo de India. En América Latina, las tasas de analfabetismo son más bajas, pero la alfabetización digital sigue siendo desigual: millones de personas manejan mejor la voz que los formularios en línea. La lección de FormBharo es directa: si un servicio requiere llenar un formulario, la conversación hablada es la vía más natural para incluirlos.
Híbridos: la fórmula práctica para entornos adversos
FormBharo combina modelos de lenguaje (LLM) con reglas deterministas. El LLM extrae los valores de la respuesta hablada (el nombre, la fecha, si está embarazada), pero la validación y el flujo del formulario se resuelven con reglas programáticas. Esa decisión de diseño tiene una razón de peso: los modelos solos fallan en contextos ruidosos o con acentos poco representados.
La investigación libera un benchmark llamado FormVoiceAgentBench, con 3.760 pruebas de conversación en hindi y 960 llamadas simuladas bajo variaciones acústicas (ruido de fondo, distancia al micrófono, velocidad del habla). Un hallazgo clave: la completitud del formulario cae hasta 41 puntos porcentuales cuando el LLM recibe transcripciones con errores reales en lugar de transcripciones de referencia. Y un dato más contraintuitivo: el modelo que lidera la extracción por turnos (99,8 % de precisión) queda por debajo en la completitud final. La lección es que la evaluación por componentes no predice el resultado de punta a punta.
Esto tiene una implicancia directa para empresas que quieren desplegar agentes de voz en Latinoamérica: una prueba de laboratorio no alcanza. Hay que medir el flujo completo en condiciones reales, con acentos locales, ruido callejero y teléfonos de baja gama.
Limpiar la transcripción: el eslabón que nadie quiere dejar pasar
Otra pieza del rompecabezas llega desde AgenticASR. Su punto de partida es que la transcripción literal (verbatim) no sirve para leer ni para que un sistema la procese: conserva muletillas, repeticiones, falsos comienzos y autocorrecciones. "Muéstrame, este, el reporte, sí, el reporte que enviaste a María antes del mediodía" es una transcripción fiel, pero inútil para un asistente que debe actuar.
AgenticASR introduce lo que llaman Agentic Speech Recognition: convertir audio en texto limpio en tiempo real, corrigiendo sobre la marcha. Si el hablante dice un nombre y luego aclara "termina en R-I-E", el sistema revisa lo ya emitido y actualiza a "Marie". Eso exige un componente que no solo transcriba, sino que razone sobre el contexto y decida qué debe permanecer y qué debe descartarse.
Para las empresas de la región, el concepto aterriza en casos concretos: atención al cliente, transcripción de reuniones, dictado de notas médicas. Una transcripción sin limpiar genera errores en el siguiente paso del proceso, ya sea una orden, un diagnóstico o un ticket de soporte. La calidad del texto final no es cosmética; es funcional.
Las herramientas disponibles hoy
Mientras la academia diseña marcos de evaluación, Google ya ofrece capacidades listas para usar. Su modelo Gemini 3.5 Transcribe apunta a una transcripción "inteligente", más allá del reconocimiento literal. Y la API de traducción instantánea de Gemini Live hace posible la traducción de voz a voz en tiempo real entre más de 70 idiomas, pensada para escenarios de interpretación continua: un médico que habla español y un paciente que responde en quechua, por ejemplo, pueden dialogar sin intermediarios.
Ambas soluciones corren sobre la infraestructura de Google Cloud, lo que reduce la barrera de entrada para startups y gobiernos latinoamericanos que no tienen capacidad de entrenar modelos propios, pero sí de integrar APIs.
Qué significa esto para América Latina
La región comparte con India dos condiciones: acceso desigual a la lectura y una alta penetración de teléfonos móviles con voz. Los proyectos que más beneficio pueden sacar de esta ola son los que atienden poblaciones vulnerables: programas sociales, telemedicina, banca inclusiva, atención al ciudadano.
Pero hay una advertencia. Los sistemas de voz entrenados principalmente con datos de países angloparlantes o de la India no reconocen bien los acentos latinoamericanos, especialmente en zonas rurales o con lenguas indígenas. La investigación de FormBharo lo demuestra: el rendimiento cae con hablantes de contextos subrepresentados. Las empresas locales necesitan exigir benchmarks propios y pruebas con sus usuarios reales, no confiar ciegamente en métricas globales.
También importa el costo. FormBharo encontró que ningún modelo es el mejor en precisión, latencia y costo al mismo tiempo; hay que elegir según el caso de uso. Para una ONG que hace miles de llamadas al día, la diferencia de precio por llamada puede definir la viabilidad. Esa lógica de selección por restricciones (lo que llaman Pareto en el paper) debería ser el estándar en cualquier proyecto de IA en la región, donde el presupuesto siempre es finito.
Voz, texto y contexto
Lo que emerge de estas tres investigaciones es una dirección clara: la voz deja de ser un complemento para volverse la interfaz principal en mercados emergentes. Los formularios hablados, la transcripción limpia y la traducción en tiempo real son tres capas de un mismo propósito: que el acceso a servicios no dependa de la capacidad de leer o escribir.
Para un ejecutivo en Buenos Aires, Ciudad de México o São Paulo, la pregunta no es si la IA de voz funciona; es si está siendo diseñada pensando en sus usuarios. Los datos sugieren que una arquitectura híbrida, con validación basada en reglas y evaluación end-to-end, es la vía más segura. La tecnología ya existe. El desafío es adaptarla al contexto local antes de prometer transformaciones.
¿Su organización está midiendo el impacto de sus agentes de voz en las poblaciones que más lo necesitan, o solo en condiciones ideales?
