Cuando un agente de voz falla en llamadas reales, la causa suele ser el LLM o la voz. El problema empieza un paso antes, en el audio que escucha el agente, ya sea que entre en un sistema de voz a texto (STT) o directamente en un modelo de voz a voz. Los STT modernos manejan bien el tráfico o el aire acondicionado. Lo que no pueden manejar es una segunda persona hablando: un compañero, una televisión, el agente del escritorio de al lado en un centro de llamadas. También los escucha, y el agente actúa según palabras que el llamante nunca dijo.
Krisp Voice Isolation se sitúa delante del STT y elimina todas las voces excepto la del hablante principal. Para esta review leí el benchmark y la documentación de Krisp, me registré en la API de autoservicio y procesé ocho grabaciones reales del dataset público de Krisp. Luego transcribí el audio antes y después con un modelo STT de código abierto para ver qué cambió realmente.
El veredicto en corto: si tu agente recibe llamadas desde oficinas, hogares, centros de llamadas o cualquier lugar donde la gente hable de fondo, Voice Isolation merece un lugar en tu pipeline. En mi prueba, la voz de fondo que se había convertido en 331 palabras de transcripción falsa bajó a cero. Las contrapartidas existen pero son pequeñas: un ligero coste en audio telefónico limpio, una API disponible solo en la región de EE. UU. y menos modelos en la API que en el SDK.
El problema: las voces de fondo, no el ruido de fondo
Los modelos STT están entrenados para captar el habla, no para decidir qué habla es relevante. El ruido se puede filtrar porque no se parece al habla. Una segunda voz se parece exactamente al habla, porque lo es.
El propio ejemplo de Krisp es muy ilustrativo. Un llamante pide cancelar una suscripción mientras un compañero cercano pregunta por el almuerzo. El STT devuelve un único flujo de palabras sin nada que indique cuáles vinieron del llamante, así que el agente recibe ambas como una sola petición.
Eso rompe un agente de voz de tres formas:
- Transcripciones erróneas. Las palabras del testigo ajeno acaban en la transcripción, y el LLM responde a cosas que el llamante nunca dijo.
- Interrupciones falsas. El agente oye al testigo ajeno, cree que el llamante está interviniendo y deja de hablar a mitad de frase.
- Gestión de turnos rota. La voz de fondo parece que el llamante sigue hablando, así que el agente no puede saber cuándo ha terminado el turno.
En cada caso, la lógica del agente funciona como está diseñada. Está reaccionando a una voz que nunca debería haber oído.
Las cifras muestran la magnitud de la brecha. En la prueba de lanzamiento de Voice Isolation 2.5 de Krisp, 10 sistemas STT promediaron una tasa de error de palabras (WER) del 2,10 % en audio limpio de un solo hablante. Con una segunda persona hablando encima del llamante, los mismos sistemas promediaron un 35,92 %. La supresión de ruido no cierra esa brecha, porque la interferencia es habla.
Qué es Krisp Voice Isolation
La API y el SDK de Krisp Voice Isolation eliminan las voces y el ruido de fondo de un flujo de audio en directo y transmiten solo la voz del hablante principal. Está diseñado para agentes de IA de voz, y es la misma tecnología central que Krisp distribuye para llamadas humanas bajo el nombre Background Voice Cancellation (BVC).
Va primero en el pipeline del agente, de modo que todos los modelos posteriores escuchan una sola voz:

Dónde se sitúa Voice Isolation en el pipeline de un agente de voz
Esa posición importa. Sin él, el VAD y la detección de turnos también oyen al testigo ajeno, y de ahí vienen las interrupciones falsas.
Krisp lleva unos nueve años trabajando en IA de voz y dice que procesa más de un billón de minutos de voz al año. Voice Isolation es uno de los productos de su gama de API de IA de voz y SDK. Voice Isolation forma parte de VIVA, el conjunto de modelos en tiempo real de Krisp para agentes de voz, junto con Turn-Taking, Interrupt Prediction y VAD. Funciona en complemento con la gestión de turnos, no como sustituto.
Los cuatro modelos te permiten controlar la agresividad con la que se eliminan las voces y el ruido de fondo. Con agresividad total (la configuración por defecto), Default elimina la mayor cantidad. Balanced procesa la voz principal con más suavidad, con el mismo cómputo. Lite usa cerca de un tercio del cómputo de Default. HD está pensado para flujos WebRTC de 32 kHz, no para audio telefónico. La agresividad es un ajuste en tiempo de ejecución que puedes afinar sin cambiar el cómputo; en la API es el parámetro suppression_level, de 0 a 100.
Una limitación conviene conocer de antemano: los modelos de eliminación de voces asumen que el hablante está cerca del micrófono. Como referencia aproximada, a partir de unos 30 cm la propia voz del hablante principal puede ser suprimida. No es una regla estricta, sino una recomendación general, y la distancia real depende de las condiciones acústicas. Para dispositivos de campo lejano como los altavoces inteligentes, Krisp ofrece un modelo separado que solo elimina ruido.
La versión 2.5 salió en agosto de 2026, y Krisp publicó un benchmark abierto con dataset en septiembre. El modelo ya está disponible como API de autoservicio además de como SDK.
Lo que muestran los benchmarks de Krisp
En el benchmark abierto de Krisp, Voice Isolation redujo la tasa media de error de palabras del 23,24 % al 6,24 %, una caída del 73 %.

La página del benchmark de Krisp resume el resultado principal.
El benchmark usa 265 grabaciones reales de oficinas, hogares, cuatro plantas de centros de llamadas en funcionamiento y coches. Nada fue simulado ni mezclado después. La mayoría de las grabaciones siguen el mismo guion: el hablante principal habla, una segunda persona se une, el hablante principal se calla mientras la otra sigue hablando, y luego el hablante principal vuelve. Ese momento de silencio es la verdadera prueba, porque la transcripción correcta de ese tramo está vacía. Cada archivo se procesó con 11 configuraciones STT de nueve motores, con y sin aislamiento.
Fuente: benchmark de voice isolation de Krisp, oct 2026 · 11 configuraciones STT, todos los escenarios agrupados
Todos los motores mejoraron y ninguno empeoró. El resultado más útil es lo que pasa con la brecha entre motores: en audio sin tratar es de unos 20 puntos, y tras el aislamiento se reduce a unos 5. Si tu agente escucha voces de fondo, limpiar la entrada mejora tu WER más que cambiar de proveedor de STT.

Por escenario, la mejora depende de si hay una segunda voz presente:
Dónde no ayuda
Krisp publica sus puntos débiles, y creo que esa es la parte más convincente del informe.
- El audio telefónico limpio empeora ligeramente. Sin una segunda voz que eliminar, el aislamiento solo puede tocar la voz principal. El WER de las llamadas telefónicas subió del 3,48 % al 3,91 %, y un archivo pasó del 9,42 % al 21,65 %. El modelo Balanced es el que mejor funciona aquí, con un 3,53 %.
- El eco fuerte sigue siendo un problema. En la prueba de la versión 2.5 por separado, grabaciones de un solo hablante con acústica difícil obtuvieron un 11,61 % con aislamiento frente a un 8,02 % sin él. Es mucho mejor que la versión 2.1 (15,42 %), pero sigue siendo peor que no hacer nada.
- La sobre-supresión causa errores silenciosos. Krisp explica que los modelos anteriores a veces eliminaban fragmentos de la voz principal. Una persona entendía el audio, pero el STT se saltaba cláusulas enteras y la transcripción se leía limpia pero con huecos. La versión 2.5 se ajustó para STT en lugar de para oídos humanos para corregir esto.

La página del benchmark permite reproducir seis grabaciones sin tratar y tratadas. La muestra 153, una llamada telefónica, está etiquetada como "Gets worse" (empeora).
Dos cosas más que tener en cuenta. La cifra del 73 % y la del 46,4 % que verás en el sitio de Krisp provienen de pruebas distintas: 265 grabaciones en el benchmark abierto y 1685 grabaciones en la prueba de la versión 2.5. Y los resultados de Krisp comparan audio con y sin su propio aislamiento, no contra productos de aislamiento de otros proveedores.
Las grabaciones, las transcripciones escritas a mano, las etiquetas de segmentos y la salida de cada modelo están publicadas en Hugging Face, así que cualquiera puede repetir la prueba. Eso fue lo que hice a continuación.
Práctica: probando la API de Voice Isolation
En mi prueba, Voice Isolation eliminó todas las palabras de habla de fondo de las transcripciones, y el WER agregado bajó del 40,1 % al 10,2 %.
Configuración
Registrarse en el Developers Portal es rápido, con inicio de sesión por Google, Microsoft o correo electrónico. La prueba me dio 30 $ en créditos y un límite de dos sesiones simultáneas. Desde ahí, es API Keys → Create key, y obtienes una clave que solo puedes copiar una vez.

La página de Voice Isolation en el Developers Portal con el plan de prueba.

La clave de API que creé para esta review. Una sola clave funciona con todos los productos de API de Krisp, incluida la Voice Translation API. .
La API es un WebSocket. Tu backend cambia la clave de API por un token de sesión de vida corta, el cliente envía un pequeño saludo JSON, espera a ready y luego transmite PCM mono de 16 bits y recibe el audio limpio fotograma a fotograma:
URL = "wss://streaming.krisp.ai/voice-isolation"async with websockets.connect(URL, additional_headers={"Authorization": f"api-key {session_token}"}) as ws: await ws.send(json.dumps({"model": "VIVA-tel", "sample_rate": 16000, "suppression_level": 100})) hello = json.loads(await ws.recv()) # {"type": "ready", ...} # then send exactly 30 ms of audio per message (960 bytes at 16 kHz) # and write each binary message you receive to your output
Eso se acerca al quickstart de la API de Krisp, un breve script en Python que limpia un archivo WAV. Una regla despista a la gente: cada mensaje de audio debe durar exactamente 30 ms. Cualquier otra cosa cierra la sesión con un error invalid_frame_duration, así que rellena el último fotograma con silencio.
Para la prueba elegí ocho grabaciones del dataset público de Krisp: tres grabaciones de oficina, tres de plantas de centros de llamadas y dos llamadas telefónicas desde un coche, unos 11 minutos en total. Transmití cada una a través de la API a velocidad en tiempo real, desde Asia. Luego transcribí el audio sin tratar y el limpio con el Parakeet TDT 0.6B v2 de código abierto de NVIDIA, uno de los motores del benchmark de Krisp, y puntué cada segmento etiquetado contra las transcripciones humanas.
Resultados
Casi toda la mejora vino de un solo sitio: los tramos en los que el hablante principal estaba en silencio y otra persona seguía hablando. Con el audio sin tratar, Parakeet convirtió esa habla de fondo en 331 palabras de transcripción. Tras Voice Isolation no produjo ninguna. La voz de fondo quedó entre 13 y 34 dB más silenciosa en esos tramos, mientras que el nivel del hablante principal apenas se movió (dentro de 1 dB).

Mi prueba · API de Krisp (VIVA-tel), transcrito con Parakeet TDT 0.6B v2 · las 6 grabaciones con un tramo de solo voz de fondo
El ejemplo del centro de llamadas muestra por qué esto importa. Mientras el agente que estaba probando hacía una pausa, el agente del escritorio contiguo estaba en otra llamada. La transcripción sin tratar recogió esa llamada palabra por palabra:
thank you for calling meridian bank before i begin i will need to confirm your identity for security could you give me your full name your date of birth...
Un agente de voz trataría eso como si estuviera hablando el llamante. Con Voice Isolation, el mismo tramo volvió vacío.
Cuando ambas personas hablaban a la vez, el cambio fue pequeño: 13,2 % sin tratar frente a 12,5 % limpio. Parakeet ya favorecía la voz más fuerte y cercana en esos tramos. La mayoría de los errores restantes ahí son del formato de números en mi puntuación (números de teléfono, precios, códigos postales), que afectaron por igual a ambas versiones.
En las dos llamadas telefónicas limpias, un archivo sumó un error adicional y el otro perdió dos. Eso coincide con el hallazgo propio de Krisp de que el coste en audio limpio es pequeño.
Latencia y fiabilidad desde fuera de EE. UU.
La API actualmente se ejecuta solo en la región de EE. UU., y la documentación de Krisp advierte que los clientes de otros lugares verán latencia adicional. Desde Asia, el recorrido medio de ida y vuelta por fotograma (envío hasta la vuelta del audio limpio) fue de 260–520 ms según la sesión, y configurar una sesión solía llevar entre 1,5 y 3 segundos. Es distancia de red, no del modelo: Krisp indica 15 ms de latencia algorítmica. Pero si tu agente sirve a usuarios lejos de EE. UU., lo notarás, y el SDK en tus propios servidores lo evita.
Una de mis nueve sesiones se cayó unos 70 segundos después con un cierre anormal. Volver a ejecutarla funcionó. Lo atribuyo a la larga ruta desde Asia más que al servicio, pero es un recordatorio de manejar las reconexiones en producción.
Sobre esta prueba: ocho archivos es una muestra pequeña, no un benchmark. Remuestreé las grabaciones de 32 kHz a 16 kHz para el modelo de telefonía (VIVA-tel), usé un solo motor STT y mantuve la normalización de texto simple, así que mis cifras absolutas no son comparables con las de Krisp. Lo que comprobaba es la dirección y la magnitud del cambio, y coincidió con lo que Krisp reporta.
Experiencia de desarrollador: API o SDK
Voice Isolation se distribuye de dos formas, y cuál puedas usar depende de tu plan.
La API es la vía fácil: no hay archivos de modelo que desplegar ni nada que ejecutar en tu CPU. Las contrapartidas son que tu audio va a la nube de Krisp, y que obtienes dos modelos en lugar de cuatro: VIVA-tel para audio telefónico de 8 o 16 kHz, y VIVA-pro para audio de banda ancha de 32 kHz. VIVA-pro aún no aparece en la referencia de la API, pero está en el Playground del portal, la API lo aceptó en mi prueba, y Krisp confirmó que está disponible.

El Playground del portal permite probar cualquiera de los dos modelos de la API con tu propio micrófono antes de escribir código.
El SDK mantiene el audio en tus propios servidores y solo se conecta en línea para verificar su licencia. También es donde la historia de costes se pone interesante. La entrada sobre CPU de Krisp muestra que una sola opción del SDK, enableLowPrecisionExecution, aproximadamente duplica las llamadas que un servidor puede limpiar en CPU con soporte FP16. Una instancia AWS Graviton3 de 16 vCPU pasó de 76 llamadas en vivo a 137, y el modelo Lite maneja cerca del triple de flujos que los modelos completos. En chips Intel Ice Lake más antiguos, la opción no hace nada.
Integraciones
- Pipecat tiene un filtro listo para usar. Añades KrispVivaFilter() como filtro de entrada de audio en tu transport, y puedes combinarlo con KrispVivaTurn para detección de turnos. Ten en cuenta que usa el SDK, así que necesitas acceso al SDK y los archivos de modelo, no solo una clave de API.
- LiveKit ofrece los modelos de Krisp en LiveKit Cloud, incluida la cancelación de voz de fondo (noise_cancellation.BVC()) para agentes. LiveKit cobra extra por sus modelos de aislamiento de voz.
- Los pipelines de WebRTC y telefonía pueden usar el SDK directamente, y la API funciona con cualquier cosa que pueda abrir un WebSocket.
La documentación es clara y está al día. El quickstart funcionó a la primera, y los mensajes de error te dicen exactamente qué falló, hasta el tamaño de fotograma esperado y recibido. Mi única queja son los nombres: el blog habla de Default, Balanced, Lite y HD, las descargas del SDK usan nombres de archivo como krisp-viva-vi-tel-v2.5.1, y la API llama a sus modelos VIVA-tel y VIVA-pro, con solo el primero en la referencia de la API. Una tabla de equivalencias en la documentación ayudaría.
Precios
La API se factura por hora de audio, y es lo suficientemente barata como para que el coste no decida si la usas.

Precios para desarrolladores de Krisp, noviembre de 2026.
En el plan Starter de pago por uso, la API de Voice Isolation cuesta 0,18 $ por hora de audio, sin cuota mensual. La tarifa es la misma para ambos modelos de la API, VIVA-tel y VIVA-pro. Growth cuesta 400 $ al mes, incluye 400 $ de uso y baja la tarifa a 0,12 $ por hora, con mayor concurrencia y soporte prioritario. Enterprise es a medida y es el único plan que incluye el SDK, un SLA, y HIPAA y SOC 2.
El crédito inicial de 30 $ cubre unas 166 horas de audio con la tarifa Starter, lo que es de sobra para probar. Los créditos duran 12 meses y el uso se factura por minuto. Como referencia, limpiar una llamada de 5 minutos cuesta alrededor de 1,5 centavos en Starter.
El SDK solo está en el plan Enterprise, a un precio acordado, así que tendrás que hablar con ventas si quieres ejecutar los modelos en tus propios servidores. Las tarifas provienen de la página de precios de Krisp, verificada en noviembre de 2026.
Alternativas
Krisp no es la única opción para eliminar voces de fondo, pero todavía no existe ninguna prueba independiente comparando estos productos. Cada proveedor publica sus propias cifras sobre sus propios datos, así que trata las cifras siguientes como afirmaciones.
Donde Krisp destaca es en la evidencia. Es el único proveedor aquí con un benchmark abierto y reproducible en 11 configuraciones STT, y publica los casos donde pierde. También es el más flexible para desplegar: API en la nube, SDK en el servidor, o integrado en LiveKit y Pipecat.
Veredicto
Krisp Voice Isolation es la solución a la que acudir cuando un agente de voz se comporta mal en llamadas reales y funciona bien en pruebas. Elimina las voces que tu agente no debería oír, funciona con el STT que ya uses, y tanto el benchmark de Krisp como mi propia prueba muestran lo mismo: la habla de fondo deja de llegar a la transcripción.
Pros
- Elimina voces de fondo, no solo ruido, que es el problema que el STT no puede resolver por sí solo
- Funciona con cualquier motor STT, sin configuración por idioma ni registro de voz
- Se ejecuta en CPU con 15 ms de latencia algorítmica
- Benchmark abierto y reproducible que incluye los casos donde pierde
- API de autoservicio con 30 $ de crédito gratuito, y barata: 0,12–0,18 $ por hora
- Filtro listo para Pipecat y soporte de LiveKit
Contras
- Ligero coste de precisión en audio telefónico limpio, y sigue siendo peor que el audio sin tratar en salas con mucho eco
- La API solo se ejecuta en la región de EE. UU., lo que añade latencia notable en otros lugares
- La API ofrece dos modelos frente a los cuatro del SDK; el uso en local requiere el SDK Enterprise
Quién debería usarlo: los equipos cuyos agentes reciben llamadas desde centros de llamadas, oficinas, hogares, coches o cualquier lugar donde otras personas hablen cerca. Empieza con la API para medir el efecto en tus propias grabaciones, y luego pásate al SDK si necesitas los otros modelos, menor latencia fuera de EE. UU., o que el audio se quede en tus servidores.
Quién puede prescindir de él: agentes cuyos llamantes están casi siempre solos en habitaciones silenciosas, o dispositivos de campo lejano como los altavoces inteligentes, donde los modelos de eliminación de voces no están diseñados para funcionar.
Puedes probar la API de Krisp Voice Isolation con los créditos gratuitos y procesar tus propias grabaciones en una tarde.
FAQ
¿El aislamiento de voz es lo mismo que la cancelación de ruido? No. La cancelación de ruido elimina sonidos sin habla, como el tráfico y los teclados. El aislamiento de voz también elimina las voces de otras personas, que la cancelación de ruido deja pasar.
¿Krisp Voice Isolation funciona con mi proveedor de STT? Sí. Procesa el audio por sí mismo, así que funciona delante de cualquier motor STT. Krisp lo probó con 11 configuraciones, incluidos modelos de Deepgram, AssemblyAI, ElevenLabs, Soniox, Google, Cartesia y NVIDIA. También puede situarse delante de modelos de voz a voz. Krisp aún no ha publicado resultados para esa configuración, pero nada te impide probarlo.
¿Sustituye a la detección de turnos? No. Va antes del VAD y de la detección de turnos y les da un audio más limpio. Krisp ofrece Turn-Taking como modelo separado dentro del mismo SDK VIVA.
¿Los usuarios tienen que registrar su voz? No. No requiere registro ni entrenamiento con la voz del usuario.
¿Cuánta latencia añade? Krisp indica 15 ms de latencia algorítmica, y su documentación del SDK estima la latencia añadida en unos 20 ms. Con la API en la nube, el tiempo de red hasta la región de EE. UU. se suma a eso.
¿Funciona con llamadas telefónicas? Sí. Maneja audio de telefonía de banda estrecha, códecs habituales como G.711, G.722, G.729 y Opus, y auriculares Bluetooth.
¿Y para llamadas entre personas? La misma tecnología se distribuye como Background Voice Cancellation (BVC) en el SDK RTC de Krisp, que se ejecuta en el dispositivo del usuario en navegadores y apps de escritorio y móviles. Los centros de contacto con agentes humanos lo obtienen mediante el producto de IA para centros de llamadas de Krisp, donde mantiene las voces de los agentes cercanos fuera de las llamadas de los clientes.
