Tus clientes envían audios por WhatsApp: cómo responderlos sin escuchar cada uno
Los audios son más rápidos para tus clientes y más lentos para ti. Cómo leerlos en lugar de escucharlos, qué puede responder la IA sola, dónde fallan las transcripciones y la frase que necesita tu política de privacidad.

Contenido
- Por qué los audios frenan a un equipo pequeño
- Lo que puedes hacer hoy sin software nuevo
- Lee la transcripción por encima en lugar de escuchar
- Dónde fallan las transcripciones
- La solución: cada audio llega como texto
- Cuánto cuesta
- La frase para tu política de privacidad
- Empieza por contar los audios de la semana pasada
Llega otro audio y tienes las manos ocupadas. Se queda esperando con los demás hasta la noche, cuando alguien los escucha todos, anota direcciones y devuelve la llamada a personas que escribieron 8 horas antes.
Puedes leerlos en lugar de escucharlos. Aquí tienes soluciones gratis para tu celular, una forma de recibir cada audio ya como texto, los errores que cometen las transcripciones, lo que cuesta y la frase que necesita tu política de privacidad.
Por qué los audios frenan a un equipo pequeño
Para el cliente, hablar fue más rápido que escribir. Para ti, el mensaje queda bajo llave hasta que tengas un minuto tranquilo y un oído libre. Y eso pasa todo el día:
- A las 10:12 a. m., un techador subido a un techo recibe un audio de 2 minutos y 40 segundos sobre una gotera.
- A las 2:30 p. m., una peluquera tiene el tinte puesto en la cabeza de una clienta y 3 audios de la misma clienta esperando en WhatsApp.
- A las 7:45 p. m., el dueño de un restaurante está en el pase de la cocina cuando alguien pregunta, por audio, si un grupo de 9 con un perro cabe en la terraza el sábado.
Escuchar cuesta más que los minutos
Tres líneas escritas se leen en segundos. Un audio de 3 minutos dura 3 minutos, o 90 segundos a doble velocidad, y necesitas silencio y una mano libre.
Luego vienen los otros costos:
- Lo útil queda enterrado. La dirección llega después de la historia del vecino, y los días que le sirven al cliente aparecen justo al final.
- Solo quien escuchó sabe lo que se dijo. Cuando un compañero toma el caso, vuelve a escucharlo.
- Un audio no se puede buscar. Tres semanas después, nadie encuentra al cliente que mencionó la entrada por detrás.
- Hasta las respuestas fáciles esperan. “Sí, abrimos el sábado” sale en la noche, porque nadie sabía que esa era la pregunta.
No vas a quitarles la costumbre a tus clientes
WhatsApp dijo en 2022 que sus usuarios envían en promedio 7 mil millones de mensajes de voz al día (blog de WhatsApp).
A mucha gente le parecen demasiado largos. En una encuesta de YouGov a usuarios británicos de smartphones de 2022, el 65% de quienes tenían una opinión dijo que un audio de 1 minuto ya es demasiado largo.
Aun así siguen llegando, así que la solución está de tu lado: leerlos.
Lo que puedes hacer hoy sin software nuevo
Si recibes unos pocos audios al día y eres la única persona que responde, quizá te basten las herramientas de tu celular.
Deja que WhatsApp transcriba en tu celular
Desde noviembre de 2024, WhatsApp puede convertir un mensaje de voz en texto. Funciona con un mensaje a la vez, en el celular que tienes en la mano:
- Actívalo en Ajustes > Chats > Transcripciones de mensajes de voz.
- Mantén presionado un mensaje de voz.
- Toca Transcribir.
WhatsApp dice que la transcripción se crea en tu dispositivo, así que ni siquiera WhatsApp puede leerla. La función empezó con algunos idiomas seleccionados (blog de WhatsApp).
Telegram tiene un botón parecido para los usuarios Premium. Sin Premium, tienes un número limitado de transcripciones de prueba por semana (documentación de la API de Telegram).
Escúchalos a 1.5x o 2x
WhatsApp reproduce los mensajes de voz a ambas velocidades, también los reenviados (blog de WhatsApp).
Pide los datos por escrito, una sola vez
Si tu WhatsApp envía un saludo automático o un mensaje de ausencia, agrega una línea: “Los audios son bienvenidos. Por favor, escribe también tu dirección y los días que te quedan bien”.
Los clientes siguen hablando, y tú recibes como texto la parte que necesitas.
Escribe lo que escuchaste
Después de escuchar, responde con los datos para que el cliente los confirme: “Entonces: Calle Los Tilos 27, agua debajo del fregadero de la cocina, ¿martes o jueves después de las 3?”
Los errores se corrigen antes de que salgas, y nadie tiene que escuchar dos veces.
Cuando el celular ya no alcanza
Esto deja de funcionar en cuanto varias personas comparten un mismo número (mira cómo usar WhatsApp Business con varios empleados) o cuando los audios llegan más rápido de lo que alguien puede escucharlos.
Lee la transcripción por encima en lugar de escuchar
Cuando un audio ya es texto, saltas directo a lo que importa en lugar de reproducirlo desde el principio. Un ejemplo que inventamos, de la bandeja de entrada de un plomero:
“Hola, sí, hola, habla María González, hablamos el año pasado por lo del baño, bueno, ahora es la cocina, debajo del fregadero, todas las mañanas hay agua en el mueble, no mucha, mi esposo puso un recipiente ahí, y no sé si es el tubo o la llave.
“Vivimos en la Calle Los Tilos 27, la casa amarilla, la entrada es por detrás. Casi todos los días estamos trabajando, pero martes o jueves después de las 3 nos queda bien, o tal vez el sábado en la mañana. Gracias, chao”.
Lo lees de pie junto a la camioneta y sacas lo importante:
- una fuga pequeña debajo del fregadero de la cocina
- Calle Los Tilos 27, entrada por detrás
- martes o jueves después de las 3, o el sábado en la mañana
Dónde fallan las transcripciones
El reconocimiento de voz tiene más problemas justo con los detalles que necesita un negocio pequeño:
- apellidos y nombres de calles
- números de casa y de teléfono (“sesenta” y “setenta” suenan parecido)
- acentos regionales
- el ruido de una obra o de una cocina
Toma cada nombre y cada número de una transcripción como no confirmado hasta que el cliente lo haya escrito o confirmado por escrito.
Antes de confiar en ella, envía un audio en el idioma de tus clientes desde tu celular personal, con algo de ruido de fondo, y lee lo que llega.
La solución: cada audio llega como texto
En Deskwoot, nuestro software de atención al cliente, los audios y archivos de audio de WhatsApp y Telegram se convierten en texto al llegar, para mensajes de hasta 10 minutos. Nadie tiene que reproducir el audio para saber qué quiere el cliente.
Las transcripciones vienen activadas. Las desactivas en Configuración > Cuenta > Transcribir mensajes de voz.
Esto cubre los números de WhatsApp conectados a través de la WhatsApp Business Platform de Meta o de Twilio, y tu bot de Telegram (guías de configuración para WhatsApp y Telegram). El audio en LINE y SMS se queda como audio.
Lo que ve tu equipo
- En el panel web, la transcripción aparece debajo del reproductor de audio, marcada como “Transcripción (automática)”. Las largas aparecen plegadas, y “Mostrar la transcripción completa” las abre.
- La lista de conversaciones muestra las primeras palabras de la transcripción en lugar de solo “Mensaje de voz”. Lo mismo pasa con la notificación push en tu celular, salvo que configures las notificaciones para no mostrar el contenido del mensaje. La transcripción completa aparece en el panel web.
- Cuando no hay texto, una línea gris explica por qué: el mensaje era demasiado largo, el formato de audio no se puede leer, ya se usaron las conversaciones de IA del mes o la transcripción falló. El audio se queda en la conversación.
Fynn responde los casos de rutina
En los planes de pago, Fynn, el agente de IA de Deskwoot, lee la transcripción como un mensaje escrito. Responde a partir de tu sitio web, tu centro de ayuda, tus documentos y tus listas de preguntas frecuentes (cómo maneja Fynn los mensajes de voz).
Imagina que una clienta de un salón pregunta por audio si abren el sábado, cuánto cuesta más o menos un corte con tinte y dónde estacionar. Fynn le responde con tu horario, el precio de tu lista de precios y el dato para estacionar.
Si tu lista de precios no cubre la pregunta, Fynn lo dice en lugar de adivinar y ofrece hablar con una persona. Sus instrucciones marcan una transcripción como voz que un software convirtió en texto, así que vuelve a preguntar en lugar de adivinar un nombre o un número que quizá se entendió mal.
Cuando un audio no tiene transcripción, Fynn le pide al cliente en una frase que lo escriba en pocas palabras. Si ya lo pidió una vez, pasa la conversación a tu equipo.
Fynn no forma parte del plan gratis Hacker (1 agente). Ahí, las transcripciones te ayudan a leer, y tú respondes.
Cuando una persona toma el control
Fynn también pasa la conversación cuando el cliente pide hablar con una persona, cuando tu contenido no alcanza o cuando solo alguien del equipo puede ayudar.
Deja una nota privada para tu equipo con el problema en una frase, el ánimo del cliente y un siguiente paso sugerido. La app de Deskwoot para iPhone y Android te avisa que ahora la conversación es tuya.
En un día con mucho trabajo, pídele a Copilot en la conversación un resumen de un audio largo. Copilot también lee la transcripción y funciona en la web y en la app (Copilot en las conversaciones).
Cuánto cuesta
Las transcripciones funcionan en todos los planes de Deskwoot, incluido el plan gratis Hacker. Comparten el contador con Fynn y Copilot: una conversación con un audio transcrito cuenta una vez por ventana como conversación de IA (un chat vuelve a contar después de 12 horas sin mensajes).
Cinco audios en una misma conversación cuentan una sola vez. Una conversación en la que Fynn o Copilot ya trabajaron en la misma ventana no cuesta nada más (cómo se cuentan las conversaciones de IA).
| Plan | Por agente al mes (facturación anual entre paréntesis) | Conversaciones de IA incluidas al mes | Cada una adicional |
|---|---|---|---|
| Hacker | $0 | 10 | No disponible, hay que cambiar de plan |
| Startup | $4 ($3.20) | 50 | $0.07 |
| Business | $8 ($6.40) | 100 | $0.05 |
| Enterprise | $12 ($9.60) | 300 | $0.03 |
Las conversaciones de IA incluidas cuentan para todo el espacio de trabajo. Las adicionales se pagan con un saldo de IA prepago.
Cuando se acaban las incluidas y el saldo no alcanza para otra, los audios en conversaciones que todavía no contaron en su ventana actual llegan como audio, con una línea que lo indica.
Un ejemplo
Un salón con 2 personas en el plan Startup, con facturación anual, paga $6.40 al mes.
Si en un mes 80 conversaciones reciben una transcripción, una respuesta de Fynn o ayuda de Copilot, 50 están incluidas. Las otras 30 cuestan 30 × $0.07 = $2.10.
La frase para tu política de privacidad
Cuando un proveedor de servicios convierte en texto el audio de tus clientes, ese proveedor recibe datos personales. En la UE y el EEE, el RGPD lo considera un destinatario (art. 4(9)).
De ahí salen varias reglas:
- Tu política de privacidad tiene que nombrar “los destinatarios o las categorías de destinatarios de los datos personales” (art. 13(1)(e)).
- Cuando los datos van a un país fuera de la UE y del EEE, la política lo dice y nombra la decisión de adecuación u otras garantías en las que se basa (art. 13(1)(f)).
- Un encargado del tratamiento necesita un contrato contigo (art. 28(3)), y un subencargado que este contrate queda obligado por un contrato con ese encargado (art. 28(4)).
- El tratamiento necesita una base legal (art. 6), como medidas tomadas a petición del cliente antes de un contrato (art. 6(1)(b)) o tus intereses legítimos (art. 6(1)(f)). Cuál aplica es una pregunta para tu asesor de protección de datos.
Una frase que puedes adaptar
Mensajes de voz: si nos envías un mensaje de voz por WhatsApp o Telegram, se convierte en texto automáticamente para que podamos leerlo y responderlo más rápido.
Para ello usamos nuestro software de atención al cliente [nombre] (encargado del tratamiento según el art. 28 del RGPD) y su subencargado [proveedor de transcripción y su país], que procesa el audio en servidores en [región]. El audio y el texto se guardan con tu conversación.
[Agrega tu base legal, cuánto tiempo guardas las conversaciones y las garantías de transferencia que pida tu asesor.]
Si usas Deskwoot
Deskwoot es tu encargado del tratamiento, y AssemblyAI, Inc. es su subencargado para la transcripción. Según el DPA de Deskwoot (Anexo B), AssemblyAI es una empresa de EE. UU. que procesa el audio en servidores en la UE.
Lo hace bajo el EU-U.S. Data Privacy Framework o, si no, con cláusulas contractuales tipo, y no usa los archivos procesados en sus servidores de la UE para entrenar sus modelos. Tú mismo firmas el DPA en el panel (cómo firmarlo).
En la frase de arriba, completas Deskwoot, AssemblyAI, Inc. (EE. UU.) y la UE.
Fuera de la UE
En Brasil, la LGPD da a las personas el derecho a información clara sobre el uso compartido de sus datos por parte del responsable del tratamiento y sobre su finalidad (art. 9, V de la LGPD). Por eso la misma frase va también en tu política de privacidad allí.
Otros países tienen sus propias reglas.
Esta sección es información general, no asesoría legal.
Empieza por contar los audios de la semana pasada
Vuelve 7 días atrás en tu WhatsApp. Cuenta los audios y cuánto esperó cada uno hasta que alguien lo escuchó.
- Si fueron 2, te basta con el botón de transcripción de tu celular y una línea en tu mensaje de ausencia.
- Si fueron 20 y la mayoría esperó hasta la noche, haz que lleguen como texto.
Pruébalo con tu propio número
Crea tu cuenta, conecta tu número de WhatsApp y envíale un audio desde tu celular personal. Luego lee lo que llega.
El plan gratis Hacker (1 agente) transcribe audios en hasta 10 conversaciones al mes, suficiente para esa prueba. Además, cada espacio de trabajo nuevo empieza con 7 días del plan Enterprise, con Fynn incluido, sin tarjeta y para hasta 30 puestos, contando el tuyo.
Cuando termina la prueba, eliges un plan de pago o sigues trabajando en Hacker. Startup incluye 50 conversaciones de IA al mes y Fynn (planes y precios).
Ejemplos por rubro: oficios y reformas, salones de belleza, restaurantes y tiendas en línea.
También disponible en:EnglishDeutschFrançaisPortuguês (Brasil)


