# Agente de voz con n8n, ElevenLabs o Vapi: ¿armarlo o usar plataforma?

> Cómo armar un agente de voz con n8n, ElevenLabs, Vapi, Retell o Gemini: qué hace cada pieza, cómo cobra, qué falta construir alrededor y cuándo conviene una plataforma lista.

- **Versión en HTML:** https://tolky.to/es/blog/agente-de-voz-n8n-elevenlabs-vapi
- **Autor:** [Marlos Carmo](https://tolky.to/es/autor/marlos), Cofundador de Tolky
- **Publicado el:** 20 de noviembre de 2026
- **Revisado el:** 20 de noviembre de 2026
- **Idioma:** es

## Resumen

Un **agente de voz con n8n** casi siempre usa otra herramienta para el audio: ElevenLabs Agents, Vapi, Retell o un modelo en tiempo real como Gemini Live se encargan del habla, y n8n orquesta los sistemas alrededor. Armarlo da control total; una plataforma lista trae número, WhatsApp, CRM, transferencia a personas y panel en vivo sin que construyas cada pieza.

Quien ya armó un agente de texto en n8n suele querer el paso siguiente: el mismo agente atendiendo el teléfono. La búsqueda lleva a ElevenLabs, Vapi, Retell, Synthflow y Gemini, y aparece la duda real: ¿armarlo solo o usar una plataforma lista?

Esta guía es para perfiles técnicos y agencias: qué hace cada pieza, cómo cobra cada herramienta, qué falta construir alrededor y cuándo cada camino es el correcto, incluso cuando la respuesta no es Tolky.

*Actualizado en noviembre de 2026.*

## ¿Qué es un agente de voz armado con n8n, ElevenLabs o Vapi?

**Un agente de voz armado combina una plataforma de voz, que escucha y habla en la llamada, con un orquestador como n8n, que busca datos y registra el resultado en tus sistemas.** Cada parte viene de un proveedor distinto y tú conectas las piezas.

La parte de audio repite tres pasos en cada turno: transcribir la voz a texto ([STT](https://tolky.to/es/glosario/stt)), decidir la respuesta con un modelo de lenguaje y generar la voz ([TTS](https://tolky.to/es/glosario/tts)). Todo debe ser rápido, porque una [latencia](https://tolky.to/es/glosario/latencia) alta hace pensar que la llamada se cortó.

Si el concepto es nuevo, empieza por la guía de [agente de voz con IA](https://tolky.to/es/blog/agente-de-voz-con-ia).

## ¿Qué hace cada herramienta?

**n8n orquesta flujos; ElevenLabs Agents, Vapi, Retell y Synthflow son plataformas de agentes de voz; Gemini Live es un modelo de voz en tiempo real; y la telefonía viene de un proveedor SIP o de una cuenta como Twilio.** Los datos de abajo se revisaron en la documentación oficial de cada una el 20 de noviembre de 2026.

### n8n: el orquestador

n8n se describe como una herramienta de automatización de flujos con licencia fair-code que combina funciones de IA con automatización de procesos ([documentación de n8n](https://docs.n8n.io/)). Su [sección de IA](https://docs.n8n.io/advanced-ai/) trata de LLMs, agentes, herramientas, memoria y servidores MCP, pero no de audio en tiempo real.

Por eso, en un agente de voz n8n queda detrás de la plataforma de voz: recibe un webhook durante la llamada para consultar la agenda o el pedido, y otro al final para guardar la transcripción. El paso a paso en texto está en [agente de IA para WhatsApp con n8n](https://tolky.to/es/blog/agente-de-ia-para-whatsapp-con-n8n).

### ElevenLabs Agents

La [descripción general de ElevenLabs Agents](https://elevenlabs.io/docs/agents-platform/overview) dice que la plataforma coordina cuatro componentes: un modelo de voz a texto, el modelo de lenguaje que elijas, un modelo de texto a voz de baja latencia y un modelo propio de toma de turnos. También menciona troncal SIP, integración nativa con Twilio y llamadas salientes por lotes.

La [integración con WhatsApp](https://elevenlabs.io/docs/eleven-agents/whatsapp) cubre mensajes, notas de voz y llamadas entrantes y salientes, y la llamada iniciada por la empresa requiere el permiso del usuario, pedido con una plantilla. En la [página de precios de la API](https://elevenlabs.io/pricing/api), el cobro es por minuto, con minutos incluidos por nivel, y los modelos en tiempo real aparecen con el uso del LLM sumado.

### Vapi, Retell y Synthflow

[Vapi](https://docs.vapi.ai/quickstart/introduction) se presenta como la plataforma para que desarrolladores creen agentes de voz: cada asistente combina transcriptor, modelo y voz, elegidos entre decenas de proveedores. Según su [página de precios](https://vapi.ai/pricing), hay una tarifa de alojamiento por minuto, los proveedores se trasladan sin margen y el operador telefónico cobra aparte.

[Retell](https://docs.retellai.com/general/introduction) se define como una plataforma para crear, probar, publicar y monitorear agentes de voz y chat, con llamadas por número, troncal SIP o web, y API. Sus [precios](https://www.retellai.com/pricing) son por minuto, separados en motor de voz, LLM, texto a voz y telefonía. [Synthflow](https://synthflow.ai/pricing) se describe como una plataforma de IA conversacional para empresas, con constructor visual y APIs, vendida en contrato anual, sin tarifa por minuto ni plan gratuito.

### Gemini Live y los modelos en tiempo real

La [Live API de Gemini](https://aistudio.google.com/docs/live-api) ofrece conversación por voz en tiempo real y de baja latencia, permite que el usuario interrumpa al modelo en cualquier momento, habla 70 idiomas y llama funciones. La página no describe telefonía propia: la llamada entra por integraciones de socios. Quien busca "agente de voz Gemini" elige el modelo y todavía necesita el resto.

| Herramienta | Papel en el agente de voz | Cómo cobra (página oficial, 20/11/2026) |
| :--- | :--- | :--- |
| n8n | Orquesta flujos, webhooks e integraciones | No maneja audio; el costo de voz viene de la otra pieza |
| ElevenLabs Agents | Plataforma de agentes de voz, con WhatsApp, SIP y Twilio | Por minuto, con minutos incluidos; LLM aparte en algunos modelos |
| Vapi | Plataforma de voz para desarrolladores | Tarifa por minuto más proveedores al costo; telefonía aparte |
| Retell | Plataforma de agentes de voz y chat | Por minuto, por componente (voz, LLM, TTS, telefonía) |
| Synthflow | Plataforma de voz para empresas | Contrato anual, sin tarifa por minuto |
| Gemini Live API | Modelo de voz en tiempo real | Uso de la API de Google; telefonía por socios |

## ¿Qué tienes que construir alrededor del agente de voz?

**La plataforma de voz resuelve la conversación; casi todo lo demás, del número al historial del cliente, queda a tu cargo cuando lo armas.** Aquí es donde se equivoca la mayoría de los presupuestos.

- **Número y telefonía.** Comprar o portar números, configurar la [troncal SIP](https://tolky.to/es/glosario/telefonia-sip) y definir qué agente atiende cada número.
- **WhatsApp.** Las llamadas por la [Calling API](https://tolky.to/es/blog/api-de-llamadas-de-whatsapp-business) exigen una cuenta oficial y, para que la empresa llame, el permiso del contacto, según la [documentación de Meta](https://developers.facebook.com/documentation/business-messaging/whatsapp/calling) (revisada el 20 de noviembre de 2026).
- **CRM e historial.** La transcripción tiene que llegar a la ficha del cliente, junto a las conversaciones de texto, o el equipo atiende a ciegas.
- **Transferencia a una persona.** Reglas de [handoff](https://tolky.to/es/glosario/handoff), cola de agentes y qué hacer cuando el responsable no contesta.
- **Panel en vivo.** Ver las llamadas en curso, escuchar y entrar al audio.
- **Lista de no llamar.** En Brasil, [Não Me Perturbe](https://www.naomeperturbe.com.br/) permite bloquear el telemarketing de operadoras e instituciones financieras participantes; además, tu propia lista debe valer para todas las campañas. Las reglas cambian según el país.
- **Privacidad y soporte.** La voz y la transcripción son datos personales: en Brasil, la [LGPD, Ley 13.709/2018](https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm), exige finalidad informada, mínimo necesario y transparencia (art. 6). Y alguien tiene que responder en tu idioma cuando algo falla a las 19:00 de un viernes.

Cada punto es un flujo, una pantalla o un contrato más.

## ¿Armar o usar una plataforma lista?

**Armar da control de cada proveedor y del código; una plataforma lista cambia parte de ese control por un sistema que ya trae canales, CRM, transferencia y panel.** La tabla resume dónde pesa cada camino.

| Criterio | Armar (n8n + plataforma de voz) | Plataforma de atención lista |
| :--- | :--- | :--- |
| Elección de STT, LLM y voz | Total, cambias cuando quieras | Dentro de las opciones de la plataforma |
| Tiempo hasta la primera llamada | Rápido para una demo, largo para producción | Configuración, sin código de integración |
| Teléfono, WhatsApp y sitio web | Integras cada canal | Ya integrados |
| Historial y CRM | Flujo propio para guardar | Transcripción en el historial del contacto |
| Transferencia y operador en la línea | Construyes la regla y la cola | Función nativa |
| Campañas salientes y lista de no llamar | Armas marcador, horarios y lista | Función nativa, cuando la plataforma la ofrece |
| Costo | Varias facturas, muchas en dólares | Una factura, con menos libertad de proveedor |
| Soporte en tu idioma | Depende de la herramienta | Confírmalo en la demo |

El mismo debate, para agentes de texto, está en [n8n o plataforma para agencias](https://tolky.to/es/blog/n8n-o-plataforma-para-agencias).

## ¿Cuándo armarlo es el camino correcto?

**Armar con n8n y una plataforma de voz es la mejor opción cuando el agente de voz es el producto, cuando necesitas controlar cada proveedor o cuando el caso es muy específico.** En esos escenarios, Vapi, Retell, ElevenLabs Agents o Gemini Live son herramientas excelentes, y forzar una plataforma lista sería un error.

- **Vendes voz.** Una agencia o un SaaS que integra voz en su producto necesita API, SDK y libertad de proveedor, el público de Vapi y Retell.
- **Necesitas un proveedor específico.** Una voz de marca o un modelo propio piden una plataforma que deje cambiar cada pieza.
- **El caso es acotado.** Un bot que solo confirma asistencia y guarda el resultado en una planilla puede ser más simple armado.
- **Hay equipo para mantenerlo.** Armar es barato el primer mes y caro al año si nadie cuida los flujos.

Synthflow, vendida en contrato anual, suele servir a operaciones grandes que quieren un proveedor de voz dedicado.

## ¿Cuándo tiene más sentido una plataforma lista?

**Una plataforma lista conviene cuando la voz es un canal más de atención o de ventas, y lo que importa es el cliente resuelto, no la pila técnica.** En ese caso, lo que queda por armar (CRM, transferencia, panel, campañas) se vuelve el proyecto entero.

### Señales de que estás construyendo una plataforma sin querer

- El flujo que guarda transcripciones ya tiene más nodos que el agente.
- El equipo quiere escuchar llamadas en vivo y estás diseñando una pantalla.
- El cliente quiere campañas salientes con horarios y lista de no llamar.
- Llegan varias facturas y nadie sabe el costo por llamada resuelta.

Si aparecen dos o más, compara antes de escribir el próximo flujo. La guía [cómo elegir una plataforma de IA de voz](https://tolky.to/es/blog/plataforma-de-ia-de-voz) trae el checklist para la demo.

## Errores comunes al armar un agente de voz

**El error más común es probar una demo de cinco minutos en el navegador y presupuestar producción con ella.** La llamada real tiene ruido, acentos, interrupciones y sistemas lentos.

1. **Mirar solo el precio por minuto.** Telefonía, LLM, voz y alojamiento se cobran por separado; súmalos y divide por las llamadas resueltas.
2. **Olvidar la interrupción.** Sin un [barge-in](https://tolky.to/es/glosario/barge-in) bien ajustado, el cliente habla encima y la IA sigue con la frase.
3. **Webhooks lentos.** Si n8n tarda segundos en responder durante la llamada, la pausa se nota en la conversación.
4. **Sin salida a una persona.** Toda llamada necesita una ruta de transferencia, con el motivo y la transcripción. Mira las [reglas de handoff entre IA y humano](https://tolky.to/es/blog/traspaso-ia-humano-7-reglas).
5. **Datos dispersos.** Transcripción, contacto y audio en herramientas distintas complican cumplir la [LGPD](https://tolky.to/es/glosario/lgpd-en-la-atencion).

## Dónde entra Tolky

**Tolky es un AI CRM conversacional en el que el mismo agente atiende por texto y por voz, con la [Atención por Voz](https://tolky.to/es/soluciones/atencion-por-voz) cubriendo WhatsApp, telefonía y voz en el sitio, bajo activación.** Lo configuras, no lo integras.

- **Canales.** Llamadas por WhatsApp, por telefonía (cada número con su agente) y por voz en el sitio.
- **Conversación.** Voz y acento regional con vista previa, saludo, interrupciones permitidas y dos modos: cascada o tiempo real.
- **Personas en la línea.** El equipo sigue las llamadas en vivo y puede escuchar; cuando el operador entra al audio, la IA queda en silencio. Si el responsable no contesta, la llamada suena para otros operadores.
- **Historial.** La [transcripción en tiempo real](https://tolky.to/es/glosario/transcripcion-en-tiempo-real) queda en el historial del contacto, junto a las conversaciones de texto, en el mismo CRM.
- **Integraciones.** Si ya tienes flujos en n8n, sigue usándolos: hay API REST, webhooks, solicitud HTTP, herramientas MCP y más de 1.000 apps en el nodo Integración de los Flujos ([integraciones](https://tolky.to/es/integraciones)).

Para llamar a tu base, las [Campañas de Voz](https://tolky.to/es/soluciones/campanas-de-voz) siguen un guion generado por IA, con franjas horarias, lista de no llamar y tope diario de gasto.

![Captura real de la pantalla Servicios de Tolky, con la lista de conversaciones de WhatsApp de varios contactos, las pestañas Todos, No Leídos y Pausados y el área de lectura de la conversación a la derecha](https://tolky.to/screenshots/conversas-whatsapp-es.png)

**Lo que Tolky no es:** una herramienta de clonación o locución, ni una pila para armar un producto de voz propio. Si ese es el objetivo, con control de cada proveedor de STT, LLM y TTS, Vapi, Retell o ElevenLabs Agents probablemente te sirvan mejor.

## Preguntas frecuentes

### ¿Se puede hacer un agente de voz solo con n8n?

No de forma práctica. n8n orquesta flujos y agentes, pero su documentación de IA no trata de audio en tiempo real. Para la llamada necesitas una plataforma de voz o un modelo en tiempo real, y n8n se queda con las integraciones.

### ¿ElevenLabs Agents atiende llamadas de WhatsApp?

Sí. Según la documentación de ElevenLabs revisada el 20 de noviembre de 2026, la integración con WhatsApp cubre mensajes, notas de voz y llamadas entrantes y salientes. Para que la empresa llame, el usuario debe dar permiso, pedido con una plantilla.

### ¿Cuál es la diferencia entre Vapi y Retell?

Ambas son plataformas de agentes de voz con API y cobro por minuto. Vapi pone el foco en elegir proveedores, con sus costos trasladados; Retell separa el cobro por componente y también ofrece agentes de chat.

### ¿Armar un agente de voz sale más barato que usar una plataforma?

En la primera prueba, casi siempre. En producción, depende de lo que falte construir alrededor. Compara por costo por llamada resuelta, incluyendo las horas de mantenimiento.

### ¿Tolky se integra con n8n?

Sí, por API REST, webhooks y solicitud HTTP: un flujo de n8n puede enviar y recibir datos de la plataforma. Los Flujos de Tolky también importan el JSON de un flujo de n8n para revisión, con salvedades en los pasos sin equivalente.

---

## Conclusión

Armar un agente de voz con n8n y ElevenLabs, Vapi, Retell o Gemini es el camino correcto cuando la voz es tu producto y hay equipo para mantenerlo. Cuando la voz es un canal más de atención o de ventas, una plataforma lista evita construir número, WhatsApp, CRM, transferencia y panel desde cero. Haz la cuenta por costo por llamada resuelta.

[Conoce la Atención por Voz](https://tolky.to/es/soluciones/atencion-por-voz), [mira las Campañas de Voz](https://tolky.to/es/soluciones/campanas-de-voz), [mira los planes](https://tolky.to/es/precios) o [habla con el equipo →](https://tolky.to/es/contacto). ¿Hablamos?

---

Esta es la versión en Markdown de la página. La versión completa, con imágenes y navegación, está en https://tolky.to/es/blog/agente-de-voz-n8n-elevenlabs-vapi

Tolky: https://tolky.to
