Prisma 2: El modelo para asistentes de voz que entiende catalán
Joan Paneque
Ingeniero de software | Fundador de Prisma Engine
Hace unos meses, cuando empezamos a trabajar en serio en un agente de voz para empresas de aquí, nos topamos siempre con el mismo problema: los sistemas que hay en el mercado están pensados para inglés, para mercados grandes, y se caen a pedazos en cuanto un cliente habla en catalán. Y la cosa empeora muchísimo más cuando esa misma persona va cambiando del castellano al catalán a media frase.
Y eso pasa todo el rato.
Llevamos meses construyendo Prisma 2, nuestro nuevo sistema de llamadas. Hoy queremos contarte cómo es por dentro. No con eslóganes ni con un vídeo bonito, sino con un par de historias concretas de lo que nos ha costado que funcione.
¿Qué es Prisma 2?
Es un agente de voz que coge el teléfono por ti. Atiende la llamada, entiende lo que dice la persona al otro lado, responde con naturalidad, y solo pasa la llamada a un humano cuando hace falta. Pensado para empresas de aquí: bilingües, con clientes reales, no para una demo en una conferencia.
Hasta aquí podría sonar como cualquier otra cosa que ves estos días. Me juego lo que quieras a que ya has visto tres anuncios parecidos esta semana. Te cuento qué hay debajo.
El lío del catalán y el castellano
Este es el corazón de Prisma 2. Y el motivo por el que los modelos pensados para mercados grandes se estrellan en cuanto los traes aquí.
Un cliente catalán no habla «en catalán» o «en castellano». Salta de uno a otro dentro de la misma frase, sin avisar y sin darse cuenta. Es un fenómeno que tiene nombre, code-switching, y está muy estudiado en lingüística. El problema es que casi ningún sistema de voz comercial está preparado para él. Y los sistemas que transcriben voz a texto, que es la primera pieza de cualquier agente de voz, tienen una trampa muy fea: un sistema afinado para catalán te transcribe catalán perfecto aunque le estés hablando en castellano.
No se equivoca de palabra. Se equivoca de idioma. Y con una seguridad total, además 😅
Es el peor tipo de error que existe, porque parece correcto. Si la transcripción dice algo coherente, todo lo que viene detrás (la respuesta, el tono, las acciones) asume que está bien. Y de repente tu agente le contesta en catalán a alguien que está hablando en castellano, sin que nadie haya notado dónde se rompió la cadena.
Lo que aprendimos, después de escuchar muchas llamadas reales (que es la única forma de aprender estas cosas, por cierto), es que ningún sistema por sí solo arregla esto. Hay que cruzar varias señales en tiempo real y arbitrar entre ellas para decidir, en cada momento, en qué idioma está hablando la persona de verdad.
No te voy a contar cuántas señales usamos ni con qué reglas las combinamos; eso es trabajo de meses y es lo que hace que Prisma 2 sea Prisma 2. Pero el principio sí te lo cuento: en un mercado bilingüe, el idioma no es un dato que recibes. Es un problema que resuelves.
El audio fantasma
Cuando tú hablas, el agente tiene que callarse. Ya. Suena obvio, ¿verdad? Pues no lo es para nada.
Te cuento por qué. Cuando le mandas al sistema la orden de callar, el audio que ya iba de camino al teléfono sigue sonando unos segundos más. Tuvimos lo que internamente llamábamos audio fantasma: el agente «interrumpido» seguía hablando porque había trozos en vuelo que la orden no alcanzaba a parar.
La sensación al otro lado es horrible. Tú estás intentando decir algo, el agente sigue a lo suyo, y cuelgas pensando que es un robot mal hecho. Que es exactamente lo que es, si no lo arreglas.
Lo solucionamos cambiando cómo enviamos el audio al teléfono: en trozos muy pequeños en vez de bloques grandes. Así, cuando llega la orden de parar, lo que queda en vuelo es minúsculo y se corta casi al instante en lugar de seguir durante segundos.
Es uno de esos detalles que en una demo nadie nota. En una llamada real, marca la diferencia entre algo que parece humano y algo que parece una contestadora rota.
Por qué te lo contamos así
Sé que es raro publicar un artículo de producto contándote los bugs que hemos tenido. Lo normal sería un vídeo bonito, una métrica grande en el centro y un botón de «pedir demo».
Pero la diferencia entre un sistema que funciona y uno que solo lo parece está justo en estos detalles que nadie enseña. Y si vas a confiarnos las llamadas de tu negocio, nos parece que te lo mereces saber.