Cómo montar una centralita para callbots con Asterisk y Jev
En la P.D. del artículo sobre Jev dije que mi siguiente experimento con Jev sería en voz: un callbot en español. Lo hemos montado, lo hemos medido, y la mejora en algunas partes del callbot es notable.
Un callbot tiene un problema que un chatbot no tiene: la persona al otro lado no espera. En un chat, dos segundos de “escribiendo…” no afectan a la experiencia del usuario. Al teléfono, dos segundos de silencio son un mundo: el que llama te repite la pregunta, o incluso cuelga porque cree que no le escuchas. Entre personas, el hueco medio entre un turno y el siguiente es de unos 200 ms, según un estudio de 2009 con diez idiomas. Un callbot no llega a eso, pero cada décima que quitas cuenta.
Os cuento cómo está montada la centralita, por qué piezas pasa cada llamada y cuánto tiempo añade cada tramo, qué se rompió por el camino y qué consejos os puedo dar.
Las piezas
Un solo servicio gestiona toda la telefonía, y los productos lo usan por API sin tocar Asterisk. Hoy lo usan dos productos nuestros. El núcleo no sabe nada de reservas ni de clientes: solo conoce cuentas, números y flujos.
| Pieza | Qué usamos | Configuración |
|---|---|---|
| Centralita | Asterisk 22 LTS, controlado por ARI | Dialplan mínimo: todo entra en Stasis y el núcleo decide |
| Reconocimiento de voz | Deepgram Flux en streaming (empezamos con nova-3) | Fin de frase con umbral de confianza 0,6 |
| Voz | ElevenLabs eleven_flash_v2_5 | Salida pcm_8000, una petición por frase |
| Modelo | Claude Haiku | 300 tokens máximo, sin razonamiento, system prompt en caché |
| Decisión rápida | Jev, de TypeSafe | Umbral 0,8, timeout 400 ms |
Usamos Asterisk 22 porque es la LTS que había cuando empezamos, el 19 de octubre, y tiene soporte hasta octubre de 2029. Asterisk 24 LTS salió el 5 de noviembre.
Cómo pasa una llamada por la centralita
- Asterisk entrega el canal a
Stasis(telephony,inbound,${EXTEN}). - El núcleo normaliza el número marcado a formato E.164 y busca a qué cuenta pertenece. Si no está asignado, dice “este número no está en servicio” y cuelga.
- Si la cuenta está suspendida o tiene ya 3 llamadas en curso, dice lo mismo y cuelga.
- Crea el registro de la llamada y recorre el flujo desde
start. Cada nodo deja un evento. - En el nodo
bot, el núcleo pide al producto el saludo y el aviso legal, conecta el audio con Deepgram y empieza la conversación. - Cada vez que la persona termina una frase, el núcleo la manda al bot por HTTP firmado. El bot responde en streaming, frase a frase, y el núcleo dice cada frase en cuanto llega.
- Al colgar, el núcleo cierra la llamada con su duración, el motivo y el consumo (segundos de reconocimiento y caracteres de voz) y avisa al producto.
El contrato con el bot son tres peticiones: start, user-said y end. El núcleo nunca guarda el texto de la conversación en sus eventos, solo acciones y longitudes.
Lo que hace el núcleo en cada turno
Los pasos 5 y 6 son donde está casi todo el trabajo. El núcleo tiene los conectores con Deepgram y con ElevenLabs, con una sola cuenta de cada uno. El producto nunca toca audio: recibe texto y devuelve texto.
Oír. El audio llega del websocket de Asterisk y el núcleo lo reenvía a Deepgram en streaming. Mientras la persona habla, Deepgram va devolviendo texto.
Saber cuándo ha terminado. Es la decisión más delicada del turno: si cierras pronto, cortas a la persona; si cierras tarde, el bot parece lento. Con Flux, Deepgram cierra la frase cuando su modelo tiene una confianza de 0,6 de que ha terminado. Encima, el núcleo añade su propia regla: si la frase acaba en un dígito, espera 1.500 ms más por si siguen las cifras.
Preguntar al bot. El núcleo hace un POST firmado a user-said con el texto, la cuenta y el número de quien llama. A partir de aquí, el producto decide qué contestar con sus propias piezas (en nuestro caso, Haiku y Jev), y el núcleo no sabe nada de reservas ni de clientes.
Hablar. El bot devuelve la respuesta frase a frase y el núcleo no espera a tenerla entera. Cada frase es una petición a ElevenLabs que pide el audio ya a 8 kHz (pcm_8000), la frecuencia de una llamada telefónica. Si la frase está en la caché (el saludo, el aviso legal, las respuestas preparadas), se envía sin llamar a ElevenLabs. El núcleo acumula 200 ms de audio y lo envía a Asterisk en bloques de 20 ms, parando cuando Asterisk avisa de que tiene la cola llena.
Dejar que interrumpan. Si la persona habla mientras el bot habla, el núcleo vacía la cola de audio de Asterisk y vuelve a escuchar. Las condiciones para hacerlo están en Lo que se rompió.
Contar. Al colgar, el núcleo manda al producto los segundos de transcripción y los caracteres de voz de la llamada. Cada producto factura con esos datos, sin tener cuentas propias en Deepgram ni en ElevenLabs.
Intercambiable. Deepgram y ElevenLabs son piezas que se pueden cambiar. En el código, el núcleo habla con un reconocedor y con un sintetizador a través de una interfaz (SttProvider y TtsProvider), no con un proveedor concreto. Lo queremos así por tres motivos: tener un respaldo si un proveedor se cae, poder cambiar si aparece uno mejor y elegir entre calidad y velocidad según el producto.
Dos decisiones de Asterisk que tomamos antes de tener tráfico
Un websocket de ARI por llamada. Desde la 22.5.0, Asterisk puede abrir el websocket de ARI hacia tu servicio en modo per_call_config: un socket por llamada. Si el núcleo no responde, Stasis falla y el dialplan dice “sin servicio”. Con el modo persistente, los eventos se encolan y la persona se queda en silencio sin saber qué pasa. Preferimos que falle rápido.
El audio por websocket, no por RTP. Con chan_websocket (desde la 22.6.0), externalMedia y transport=websocket, Asterisk marca el ritmo del audio y no hay que abrir puertos UDP. El núcleo envía bloques de 160 bytes (20 ms) y para cuando Asterisk manda MEDIA_XOFF, porque la cola admite 1.000 bloques y los que sobran se pierden. FLUSH_MEDIA corta el audio al instante, que es lo que necesitas cuando la persona interrumpe al bot.
Jev decide mientras Haiku empieza a escribir
Muchas preguntas a un negocio se repiten: el horario, la dirección, si aceptáis tal seguro. Tener esas respuestas preparadas es una decisión de negocio, y la podemos tomar porque el producto lo permite: cada negocio da de alta su conocimiento (horarios, servicios, precios) antes de recibir llamadas. A partir de ese conocimiento, y antes de la llamada, un modelo más grande (Sonnet) escribe las respuestas preparadas.
En cada turno pasan dos cosas a la vez:
- Haiku empieza a generar la respuesta en streaming.
- Jev recibe la frase y elige entre las respuestas preparadas.
Si Jev elige una respuesta con confianza de 0,8 o más, el núcleo dice esa respuesta y se cancela el stream de Haiku. Si no está seguro, tarda más de 400 ms o falla, la respuesta de Haiku sigue como si nada. Un fallo de Jev no cuesta tiempo, porque el modelo ya había arrancado.
Es la idea del artículo anterior aplicada a voz: Jev elige entre opciones cerradas y el código decide. La petición es una sola, con dos preguntas tipadas:
{
model: 'jev-latest',
state: {
negocio: 'Clínica dental',
turno_anterior_del_asistente: '¿En qué te puedo ayudar?',
frase_de_quien_llama: 'a qué hora abrís los sábados',
},
questions: {
intent: {
type: 'choice',
instructions: '¿Qué hace la persona con esa frase?',
criteria: { saludo: '…', despedida: '…', pregunta: '…', recado: '…', otro: '…' },
},
answer: {
type: 'choice',
instructions: '¿Cuál de estas respuestas preparadas contesta exactamente a lo que pregunta?',
criteria: { horario: 'Horario. Respuesta: …', seguros: '…', ninguna: '…' },
},
},
}
La opción ninguna es importante, y es por cómo funciona Jev. Es un System One model: no escribe, solo elige entre las opciones que le das y devuelve una probabilidad para cada una. En una pregunta choice esas probabilidades siempre suman 1, así que siempre hay una ganadora, aunque ninguna valga. Y la ganadora puede salir con mucha confianza: en el artículo sobre Jev conté que, ante un dado justo, eligió siempre la cara 1 con un 82,9 % de probabilidad media. Sin ninguna, Jev tendría que elegir una respuesta aunque no tocara, y con el umbral bajo acabaría diciendo el horario a quien pregunta por el precio.
Jev contra Clef, medido
Para ver si Jev compensaba, lo comparamos con Clef y Clef-flash, los modelos de decisión que Cloudflare sacó el 1 de octubre en Workers AI con una API compatible con la de Jev. Cambiar de uno a otro es cambiar la URL, la clave y el modelo.
El banco son 40 frases en castellano de una clínica dental ficticia con 7 respuestas preparadas, repetidas 3 veces: 120 decisiones por modelo, una detrás de otra, desde un portátil en España.
| Modelo | Respuesta correcta | Intención correcta | Usa la preparada (umbral 0,8) | p50 | p95 | p99 |
|---|---|---|---|---|---|---|
| Jev | 97,5 % | 92,5 % | 96 % | 136 ms | 157 ms | 175 ms |
| Clef (27B) | 97,5 % | 85,0 % | 53 % | 246 ms | 607 ms | 855 ms |
| Clef-flash | 80,0 % | 77,5 % | 51 % | 289 ms | 736 ms | 913 ms |
Ninguno de los tres eligió una respuesta equivocada con confianza de 0,8 o más. La diferencia está en la confianza: Clef acierta lo mismo que Jev, pero con menos seguridad, así que con el umbral en 0,8 solo usa la respuesta preparada en la mitad de los casos. Bajando el umbral a 0,6, Clef llega al 88 %.
Y la latencia para esto también es vital. Con un timeout de 400 ms, el p95 de Clef (607 ms) significa que más de un 5 % de las decisiones llegarían tarde y no servirían.
Esto no es un benchmark: son solo 40 frases y unas pruebas sencillas, con instrucciones pensadas para trabajar con Jev.
Cumplimiento normativo
Uno de los puntos a tener en cuenta es el cumplimiento del AI Act y del RGPD. Quien llama tiene que saber que habla con una IA, y por eso el aviso del principio no se puede interrumpir. Y cada proveedor de la cadena (el reconocedor, la voz, el modelo y el decisor) recibe datos de la llamada, así que hay que revisar con cada uno cómo los trata antes de elegirlo.
Lo que se rompió
El bot se callaba con una tos. El barge-in (que la persona pueda interrumpir al bot) cortaba el audio con cualquier ruido. Ahora solo corta cuando Deepgram ha transcrito al menos 2 palabras y el bot lleva más de 900 ms hablando. El aviso legal no se puede interrumpir.
Tartamudeo al principio de cada frase. El primer trozo de audio salía antes de tener suficiente para mantener el ritmo. Lo arreglamos acumulando 200 ms de audio antes de empezar a enviarlo a Asterisk.
La voz cambiaba entre frases. Cada frase era una petición independiente a ElevenLabs y el timbre no siempre coincidía. Ahora cada frase pasa los identificadores de las anteriores (previous_request_ids) para que suene como la misma persona.
Los números dictados se partían. “Seis, cero, cero… dos, tres” llegaba al bot como dos turnos. Si la frase termina en un dígito, el núcleo espera 1.500 ms más antes de cerrar el turno.
La muletilla sonaba fatal. Probamos a que el bot dijera “un momento” si tardaba más de 1.200 ms en responder. En llamadas reales sonaba mal y la apagamos el mismo día.
“n8n” tardaba más de 5 segundos. La regla de los dígitos dictados también salta con un nombre que lleva un número. “¿Podéis hacer automatizaciones con n8n?” esperó a que siguieran las cifras en dos llamadas distintas, con 5,3 y 5,9 s hasta que respondió el bot.
Los nombres del negocio. Deepgram transcribía mal los nombres propios y los términos del sector. Ahora el vocabulario del negocio se pasa como keyterms, y si Deepgram lo rechaza, la llamada sigue sin él.
Cuánto tarda en responder
Lo que importa es el tiempo de voz a voz: desde que la persona deja de hablar hasta que oye la primera sílaba del bot. La centralita lo apunta en cada turno como la suma de tres tramos:
| Tramo | Qué mide |
|---|---|
| Silencio | Lo que tarda el reconocedor en dar la frase por terminada |
| Bot | Lo que tarda el producto en tener la primera frase de la respuesta |
| Voz | Lo que tarda ElevenLabs en dar el primer audio |
No incluye la red móvil ni la del operador: la medida empieza en la centralita.
Hicimos 9 llamadas reales a números de producción, el 19 y el 20 de noviembre: 92 turnos y algo más de 19 minutos de conversación. Una sola persona, desde un móvil, en castellano. Con eso, las medianas y los rangos valen para este caso; los percentiles altos son orientativos, porque hay pocos turnos por configuración.
De 2,2 s a 1,1 s
| Configuración | Turnos | Mín | Mediana | Máx |
|---|---|---|---|---|
| Punto de partida: nova-3 con 600 ms de silencio, todo con Haiku | 6 | 2.034 ms | 2.194 ms | 2.646 ms |
| Todo con Haiku, cualquier reconocedor | 48 | 1.512 ms | 2.028 ms | 4.356 ms |
| Vía rápida con Jev y Flux 0,6 | 8 | 883 ms | 1.062 ms | 1.171 ms |
El mejor turno medido fue de 790 ms: vía rápida con el audio de la respuesta ya en caché.
Lo que cambia es dónde se va el tiempo. Estas son las medianas por tramo de la primera llamada y de los turnos por vía rápida de la mejor llamada:
| Tramo | Punto de partida (nova-3, Haiku) | Flux 0,6 y vía rápida |
|---|---|---|
| Silencio | 970 ms | 560 ms |
| Bot | 1.011 ms | 366 ms |
| Voz | 175 ms | 136 ms |
Al principio, Haiku y la espera de silencio se repartían el tiempo casi a medias. Con Jev, el bot baja a un tercio y lo que más pesa pasa a ser el silencio.
El bot: Jev contra Haiku
Visto desde la centralita, la vía rápida dio la primera frase en 358 ms de mediana (32 turnos, máximo 518 ms) y el camino con Haiku en 1.062 ms (55 turnos, máximo 2.854 ms). Dentro del producto, el turno rápido completo tardó entre 153 y 239 ms. La diferencia con lo que ve la centralita incluye la red entre los dos servidores.
El umbral de 0,8 deja respuestas buenas fuera. En una llamada, Jev eligió bien otras 3 veces, con confianza entre 0,51 y 0,64, y esos turnos fueron a Haiku. En otra, 7 de 10 turnos fueron por la vía rápida. Depende mucho de lo que pregunte la persona.
El silencio: nova-3 contra Flux
Bajar el silencio de nova-3 de 600 a 300 ms quitó unos 275 ms de mediana, no 300. Y nova-3 tiene una cola larga: cuando no marca el final de la frase, espera a otro aviso que llega un segundo después o más.
Para comparar en limpio, en dos llamadas nova-3 contestaba y Flux escuchaba el mismo audio en la sombra, solo para dejar registro:
| nova-3 (300 ms) | Flux (0,6) | |
|---|---|---|
| Turnos | 33 | 32 |
| Mediana | 650 ms | 600 ms |
| Máximo | 7.040 ms | 2.240 ms |
| Turnos por encima de 1 s | 10 | 3 |
La mediana es casi igual, pero nova-3 se fue a 7 s, y al teléfono eso se nota.
Flux también nos falló una vez. En una llamada, con la misma configuración que en las anteriores, tardó entre 1,1 y 6,1 s en cerrar cada frase, y en el noveno turno no la cerró en más de 5 s: la persona colgó. La página de estado de Deepgram decía que todo iba bien, una prueba 5 minutos después dio tiempos normales y diez minutos más tarde Flux volvió a ir bien. No sabemos la causa. Ahora tenemos el registro detallado activado para la próxima vez. Un fallo en las 6 llamadas en que usamos Flux no da para hablar de tasa de fallo.
Hoy producción usa solo Flux. Escuchar con los dos reconocedores y quedarse con el que cierre antes cubriría la cola de nova-3 y un atasco de Flux como ese, pero no lo hemos construido.
La voz: caché
El primer audio de ElevenLabs llegó en 153 ms de mediana sin caché (80 turnos, entre 122 y 229 ms) y en 1 ms con caché (12 turnos). Antes estimábamos entre 150 y 400 ms.
La caché solo guarda frases fijas: el saludo, la despedida y las respuestas preparadas. Lo que escribe Haiku no se guarda. Y la clave de la caché incluye la voz, así que cambiar de voz vacía la caché de ese negocio.
Coste por llamada
La centralita apunta los segundos transcritos y los caracteres de voz de cada llamada, pero el producto todavía no registra los tokens de Haiku y de Jev por turno.
| Concepto | Dato | Tipo |
|---|---|---|
| Transcripción con Flux | 0,0078 $ por minuto | Precio de tarifa (promocional, de pago por uso) |
| Transcripción con nova-3 y vocabulario | 0,0061 $ por minuto | Precio de tarifa |
| Voz | 453 caracteres por minuto de llamada, de media (entre 274 y 612) | Medido; el precio depende del plan |
| Jev | 0,042 $ por millón de tokens de entrada | Precio de tarifa; tokens por turno sin medir |
| Haiku | Sin medir |
Las llamadas con caché de voz sintetizaron menos: 274 y 333 caracteres por minuto, frente a 519-590 en las otras. Parte de la diferencia viene del tipo de llamada, con más turnos y respuestas más cortas.
Hasta que no registremos los tokens, no doy un coste por minuto completo.
Consejos si vas a montar uno
Mide de voz a voz y por tramos. Al principio solo medíamos lo que tardaba el bot, y con eso no teníamos información suficiente para saber dónde se iba el tiempo. Así que pasamos a medir cada tramo por separado, y la espera de silencio resultó pesar casi lo mismo que el bot: 970 ms frente a 1.011 ms.
Prueba tus reglas de turno con frases reales. La espera para los dígitos dictados estaba bien pensada y aun así “n8n” la disparó. Pasa por el bot los nombres de producto, de calle y de marca del negocio antes de abrirlo.
Compara reconocedores sobre el mismo audio. Entre llamadas distintas cambian las preguntas, la voz y la línea, y así no se puede comparar nada. Con Flux escuchando en la sombra vimos la diferencia que las medianas escondían: 10 turnos de nova-3 por encima de 1 s, frente a 3 de Flux.
Mete la voz en la clave de la caché. Si guardas el audio de las frases fijas, la clave tiene que incluir la voz. Si no, al cambiar de voz el saludo sale con la anterior.
Con todo esto, el bot sigue lejos de los 200 ms de una conversación entre personas.
Lo siguiente es registrar los tokens para tener el coste real y repetir las pruebas con más de una persona al teléfono.
P.D.: Si estás montando un callbot en español y has medido tu latencia de voz a voz, me encuentras en Twitter como @lm_martinbar. Me interesa comparar dónde se os va el tiempo a vosotros.
¿Te ha gustado este artículo?
Descubre patrones de diseño, decisiones técnicas y arquitecturas escalables.