Tres tipos de motores potentes
Elige la arquitectura perfecta para tu caso de uso. Desde flexibilidad total hasta velocidad extrema.
45%Flexibilidad
Tubería (Pipeline)
Latencia: ~800 – 1500 ms
STT → LLM → TTS. Método probado y flexible.
El modo de procesamiento en cadena transcribe primero las palabras a texto, procesa con el modelo de lenguaje y convierte la respuesta a audio.
Flexibilidad máxima
Admite todas las voces
Respuestas largas y detalladas
Inyección de contexto
54%Velocidad
Voz a Voz (Multimodal)
Latencia: ~300 – 600 ms
Generación directa de voz a voz sin texto intermedio.
Omite la transcripción y síntesis por separado. Utiliza un modelo multimodal que escucha y habla directamente para un flujo natural.
Latencia ultra-baja
Prosodia expresiva natural
Entonación y muletillas
Ideal para respuestas cortas
51%Calidad
Modo Dualplex
Latencia: ~400 – 800 ms
Híbrido: Inteligencia de voz a voz + síntesis de voz premium.
Combina lo mejor de ambos mundos: la latencia de voz a voz con la calidad de síntesis de ElevenLabs.
Calidad de voz premium
Clonación de voz
Conversaciones fluidas
Lo mejor de ambos modos
Impulsado por
GladiaOpenAIGoogle GeminiMeta LlamaDeepgramElevenLabsAnthropic