Análisis de Krisp Voice Isolation: Cómo resolver el problema de la segunda voz en agentes de IA de voz

La conversión de voz a texto maneja bien el ruido, pero cuando habla una segunda persona, esta también acaba apareciendo en la transcripción.

Emmanuel Mumba

Emmanuel Mumba

20 November 2026

Análisis de Krisp Voice Isolation: Cómo resolver el problema de la segunda voz en agentes de IA de voz

Apidog para empresas

Despliegue local

SSO & RBAC

Conforme con SOC 2

Explorar Apidog Enterprise

Cuando un agente de voz falla en llamadas reales, el LLM o la voz suelen ser la causa menos probable. 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 y el aire acondicionado. Lo que no pueden manejar es una segunda persona hablando: un colega, una televisión, el agente del escritorio contiguo en un centro de llamadas. Los escucha también, y el agente actúa según palabras que la persona que llama nunca dijo.

Krisp Voice Isolation se sitúa delante del STT y elimina todas las voces excepto la del hablante principal. Para esta reseña leí el benchmark y la documentación de Krisp, me registré en la API de autoservicio y pasé ocho grabaciones reales del conjunto de datos público de Krisp a través de ella. Luego transcribí el audio antes y después con un modelo STT de código abierto para ver qué cambió realmente.

El veredicto breve: si tu agente recibe llamadas desde oficinas, hogares, centros de llamadas o cualquier lugar donde haya gente hablando de fondo, Voice Isolation merece un lugar en tu pipeline. En mi prueba, el habla de fondo que se había convertido en 331 palabras de transcripción falsa cayó a cero. Las contrapartidas son reales pero pequeñas: un ligero costo 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: voces de fondo, no 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. Una persona llama para cancelar una suscripción mientras un colega cercano pregunta por el almuerzo. El STT devuelve un único flujo de palabras sin nada que marque cuáles vinieron de la persona que llama, así que el agente recibe ambas como una sola petición.

Eso rompe un agente de voz de tres maneras:

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 sobre la persona que llama, 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 SDK de Krisp Voice Isolation elimina las voces y el ruido de fondo de un flujo de audio en vivo y solo deja pasar al hablante principal. Está diseñada para agentes de voz con IA, y es la misma tecnología central que Krisp ofrece 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:

Where Voice Isolation sits in a voice agent pipeline

Dónde se sitúa Voice Isolation en el pipeline de un agente de voz

Esa ubicación importa. Sin ella, el VAD y la detección de turnos también escuchan al espectador, que es de donde provienen las interrupciones falsas.

Krisp lleva unos nueve años trabajando en IA de voz y dice que procesa más de 1 billón de minutos de voz al año. Voice Isolation es uno de los productos de su línea 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 junto con la gestión de turnos, no la reemplaza.

Especificación

Voice Isolation 2.5

Computación

Solo CPU, sin necesidad de GPU

Latencia algorítmica

15 ms (la documentación del SDK de Krisp sitúa la latencia añadida en unos 20 ms)

Motores STT

Cualquiera. Trabaja sobre la señal de audio, así que no hay configuración por idioma ni por motor

Audio telefónico

Telefonía de banda estrecha, G.711, G.722, G.729, Opus, auriculares Bluetooth

Registro de voz

No se necesita

Distancia al micrófono

Campo cercano; como guía general, aproximadamente dentro de 30 cm (1 pie), según la acústica 

Modelos

Default, Balanced, Lite, HD

Los cuatro modelos te dan control sobre la agresividad con la que se eliminan las voces y el ruido de fondo. Con agresividad máxima (la configuración por defecto), Default es el que más elimina. Balanced procesa la voz principal de forma más ligera, con la misma computación. Lite usa alrededor de un tercio de la computación de Default. HD está pensado para flujos WebRTC de 32 kHz en lugar de audio telefónico. La agresividad es un ajuste en tiempo de ejecución que puedes cambiar sin modificar la computación; en la API es el parámetro suppression_level, de 0 a 100. 

Una limitación conviene conocer de antemano: los modelos de eliminación de voz asumen que el hablante está cerca del micrófono. Como guía aproximada, a partir de unos 30 cm la propia voz del hablante principal puede ser suprimida. No es una regla estricta; es una recomendación general, y la distancia real depende de las condiciones acústicas.  Para dispositivos de campo lejano como altavoces inteligentes, Krisp ofrece un modelo aparte que solo elimina ruido.

La versión 2.5 se lanzó en agosto de 2026, y Krisp publicó un benchmark abierto y un conjunto de datos 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. Esa ventana de silencio es la prueba real, porque la transcripción correcta para ella está vacía. Cada archivo se pasó por 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 ocurre con la brecha entre motores: en audio sin procesar tiene unos 20 puntos de ancho, y tras el aislamiento se reduce a unos 5. Si tu agente escucha voces de fondo, limpiar la entrada cambia tu WER más que cambiar de proveedor de STT.

Por escenario, la ganancia depende de si hay una segunda voz presente:

Escenario

Audio sin procesar

Con Voice Isolation

Trabajo (oficinas, hogares, salas de reuniones)

31.84%

6.30%

Centro de llamadas

23.83%

6.86%

Llamadas telefónicas (sin voz competitiva)

3.48%

3.91%

Los 265 archivos

23.24%

6.24%

Dónde no ayuda

Krisp publica sus puntos débiles, y creo que esa es la parte más convincente del informe.

La página del benchmark te permite reproducir seis grabaciones sin procesar y procesadas. 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 1.685 grabaciones en la prueba de lanzamiento de la 2.5. Y los resultados de Krisp comparan audio con y sin su propio aislamiento, no contra los productos de aislamiento de otros proveedores.

Las grabaciones, las transcripciones escritas a mano, las etiquetas de segmentos y la salida de cada modelo están públicas en Hugging Face, así que cualquiera puede repetir la prueba. Eso es lo que hice después.

En la práctica: probando la API de Voice Isolation

En mi prueba, Voice Isolation eliminó todas las palabras del habla de fondo de las transcripciones, y el WER agrupado cayó del 40.1 % al 10.2 %.

Configuración

Registrarse en el Portal para desarrolladores es rápido, con inicio de sesión mediante 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 Portal para desarrolladores con el plan de prueba.

La clave de API que creé para esta reseña. Una sola clave funciona con todos los productos de API de Krisp, incluida la API de Voice Translation. .

La API es un WebSocket. Tu backend canjea 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 está cerca del quickstart de la API de Krisp, un script corto de Python que limpia un archivo WAV. Una regla atrapa a muchos: cada mensaje de audio debe tener exactamente 30 ms. Cualquier otra cosa termina la sesión con un error invalid_frame_duration, así que rellena el último fotograma con silencio.

Para la prueba elegí ocho grabaciones del conjunto de datos 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 procesar y el limpio con Parakeet TDT 0.6B v2 de NVIDIA, uno de los motores del benchmark de Krisp, y puntué cada segmento etiquetado contra las transcripciones humanas.

Resultados

Grabaciones

WER sin procesar

WER con Voice Isolation

Oficina (3 archivos)

36.6%

3.6%

Centro de llamadas (3 archivos)

53.4%

15.8%

Llamadas telefónicas, sin segunda voz (2 archivos)

5.8%

5.2%

Los 8 archivos

40.1%

10.2%

Casi toda la mejora vino de un solo lugar: las ventanas donde el hablante principal estaba en silencio y otra persona seguía hablando. En el audio sin procesar, Parakeet convirtió ese habla de fondo en 331 palabras de transcripción. Después de Voice Isolation no produjo ninguna. La voz de fondo quedó entre 13 y 34 dB más silenciosa en esas ventanas, mientras que el nivel del hablante principal apenas se movió (dentro de 1 dB).

My test · Krisp API (VIVA-tel), transcribed with Parakeet TDT 0.6B v2 · the 6 recordings with a background-only window

Mi prueba · API de Krisp (VIVA-tel), transcrito con Parakeet TDT 0.6B v2 · las 6 grabaciones con una ventana de solo 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 procesar recogió esa llamada palabra por palabra:

gracias por llamar al banco meridian antes de empezar necesito confirmar su identidad por seguridad podría darme su nombre completo su fecha de nacimiento...

Un agente de voz trataría eso como si fuera la persona que llama. Con Voice Isolation, la misma ventana volvió vacía.

Cuando ambas personas hablaban a la vez, el cambio fue pequeño: 13.2 % sin procesar frente a 12.5 % limpio. Parakeet ya favorecía a la voz más fuerte y cercana en esos tramos. La mayoría de los errores restantes allí son de formato de números en mi puntuación (números de teléfono, precios, códigos postales), que afectaban por igual a ambas versiones.

En las dos llamadas telefónicas limpias, un archivo acumuló un error extra y el otro perdió dos. Eso coincide con el hallazgo propio de Krisp de que el costo en audio limpio es pequeño.

Latencia y fiabilidad desde fuera de EE. UU.

La API actualmente funciona 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 de ida y vuelta mediano para un fotograma (enviar y recibir el audio limpio) fue de 260–520 ms según la sesión, y configurar una sesión solía tomar entre 1.5 y 3 segundos. Eso 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 de empezar con un cierre anormal. Volver a ejecutarla funcionó. Atribuiría eso a la larga ruta desde Asia más que al servicio, pero es un recordatorio para gestionar las reconexiones en producción.

Sobre esta prueba: ocho archivos es una muestra pequeña, no un benchmark. Reamplifiqué 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 números absolutos no son comparables con los de Krisp. Lo que comprobaba era la dirección y la magnitud del cambio, y coincidió con lo que Krisp reporta.

Experiencia de desarrollador: API o SDK

Voice Isolation se ofrece de dos maneras, y cuál puedas usar depende de tu plan.


API de Voice Isolation

SDK de VIVA

Dónde funciona

La nube de Krisp (región de EE. UU.)

Tus propios servidores, en CPU

Cómo se usa

Transmitir audio por un WebSocket y recibir el audio limpio

Cargar un modelo y procesar fotogramas de audio en tu propio código

Lenguajes

Cualquiera con un cliente WebSocket

Python, Node.js, Go, Rust, C++ y C

Audio

8 o 16 kHz (VIVA-tel), 32 kHz (VIVA-pro), PCM mono de 16 bits

8 kHz hasta 32 kHz, según el modelo (HD admite entradas de hasta 32 kHz) 

Modelos

Dos: VIVA-tel para audio telefónico, VIVA-pro para banda ancha de 32 kHz

Default, Balanced, Lite, HD

Acceso

Autoservicio, clave de API desde el portal

Licencia comercial, plan Enterprise

También incluye

API de Voice Translation

Turn-Taking y VAD

La API es la forma más sencilla de empezar: no hay archivos de modelo que distribuir y 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 te permite probar cualquiera de los 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 para verificar su licencia. También es donde la historia de costos 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 unas tres veces más flujos que los modelos completos. En chips Intel Ice Lake más antiguos, la opción no hace nada.

Integraciones

La documentación es clara y está al día. El quickstart funcionó a la primera, y los mensajes de error te dicen exactamente qué salió mal, hasta el tamaño de fotograma esperado y recibido. Mi única queja es la nomenclatura: 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 bastante barata como para que el costo 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 reduce la tarifa a 0.12 $ por hora, con mayor concurrencia y soporte prioritario. Enterprise es personalizado 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 a la tarifa de Starter, lo cual es de sobra para probar. Los créditos duran 12 meses y el uso se factura por minuto. Para dimensionar: una llamada de 5 minutos cuesta alrededor de 1.5 centavos por limpiar en Starter.

El SDK está solo 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, verificadas en noviembre de 2026.

Alternativas

Krisp no es la única opción para eliminar voces de fondo, pero aún no existe una prueba independiente comparativa de estos productos. Cada proveedor publica sus propias cifras sobre sus propios datos, así que trata las cifras siguientes como afirmaciones.

Opción

Qué hace

Conviene saber

DeepFilterNet

Supresión de ruido en tiempo real

Funciona a 48 kHz en ventanas de 20 ms con unos 40 ms de latencia total, lo bastante rápido para un solo hilo de CPU. Ataca el ruido, no una segunda voz.

DPDFNet

Supresión de ruido en tiempo real, basada en DeepFilterNet2

Modelos causales de un solo canal de Ceva bajo Apache-2.0, con un paquete ONNX solo para CPU (pip install dpdfnet). Es supresión de ruido, no eliminación de voz.

ClearerVoice-Studio

Kit de herramientas para mejora, separación y extracción de hablante objetivo

Su extracción de hablante solo de audio necesita una grabación de referencia del hablante objetivo y funciona a 8 kHz. Otros modos de extracción usan vídeo, gestos o EEG.

SpeechBrain SepFormer (WHAMR!)

Separación de hablantes

Modelo Apache-2.0 para audio de un solo canal a 8 kHz que divide una mezcla en voces separadas. Aun así tienes que decidir cuál de las salidas es la persona que llama.

Sin aislamiento

Confiar en el manejo de ruido propio del STT

Gratis, y suficiente si los que llaman están casi siempre solos; Deepgram ha argumentado que el prefiltrado puede perjudicar al STT

Lo que distingue a Krisp son las pruebas. Es el único proveedor aquí con un benchmark abierto y reproducible en 11 configuraciones STT, y publica los casos en los que pierde. También es el más flexible de 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 las pruebas. Elimina las voces que tu agente no debería escuchar, funciona con el STT que ya uses, y tanto el benchmark de Krisp como mi propia prueba muestran lo mismo: el habla de fondo deja de llegar a la transcripción.

Pros

Contras

Quién debería usarlo: equipos cuyos agentes reciben llamadas desde centros de llamadas, oficinas, hogares, coches o cualquier lugar donde haya otras personas hablando cerca. Empieza con la API para medir el efecto en tus propias grabaciones, y luego pasa al SDK si necesitas los otros modelos, menor latencia fuera de EE. UU., o audio que se quede en tus servidores.

Quién puede prescindir de él: agentes cuyos usuarios llaman casi siempre solos desde habitaciones silenciosas, o dispositivos de campo lejano como altavoces inteligentes, para los que los modelos de eliminación de voz no están diseñados.

Puedes probar la API de Krisp Voice Isolation con los créditos gratuitos y pasar tus propias grabaciones por ella en una tarde.

Preguntas frecuentes

¿El aislamiento de voz es lo mismo que la cancelación de ruido? No. La cancelación de ruido elimina sonidos que no son habla, como el tráfico o 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. 

¿Reemplaza la detección de turnos? No. Va antes del VAD y de la detección de turnos y les proporciona un audio más limpio. Krisp ofrece Turn-Taking como modelo aparte en el mismo SDK de VIVA.

¿Los usuarios tienen que registrar su voz? No. No necesita registro ni entrenamiento con la voz del usuario.

¿Cuánta latencia añade? Krisp indica 15 ms de latencia algorítmica, y su documentación del SDK sitúa 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 en llamadas telefónicas? Sí. Maneja audio de telefonía de banda estrecha, códecs comunes como G.711, G.722, G.729 y Opus, y auriculares Bluetooth.

¿Y en llamadas entre personas? La misma tecnología se ofrece como Background Voice Cancellation (BVC) en el SDK RTC de Krisp, que se ejecuta en el dispositivo del usuario en navegadores y aplicaciones de escritorio y móviles. Los centros de contacto con agentes humanos lo obtienen a través del producto de IA para centros de llamadas de Krisp, donde mantiene las voces de los agentes cercanos fuera de las llamadas de los clientes.

Explore more

Best Crypto APIs for Trading Bots and AI Agents

Best Crypto APIs for Trading Bots and AI Agents

Automated trading systems are becoming significantly more sophisticated. What once relied mostly on simple rule-based scripts is now evolving into intelligent systems capable of monitoring wallets, analyzing on-chain activity, reacting to market volatility, and coordinating actions across multiple exchanges and blockchains simultaneously. Apidog is a free, all-in-one API development platform. For startups, it removes the need to pay for separate testing, mocking, and docs tools – one subscript

15 May 2026

30 Mejores Alternativas a Postman en 2026 | Herramientas Gratuitas y de Código Abierto para Pruebas de API

30 Mejores Alternativas a Postman en 2026 | Herramientas Gratuitas y de Código Abierto para Pruebas de API

En este artículo, exploraremos alternativas a Postman, sus características, ventajas y desventajas. Comprenderás mejor las opciones principales y elegirás la mejor herramienta para tus necesidades de desarrollo de API.

11 April 2025

Las mejores herramientas de pruebas de automatización sin código de 2026

Las mejores herramientas de pruebas de automatización sin código de 2026

Explora el poder de las herramientas de automatización de pruebas sin código y cómo revolucionan el control de calidad. Descubre cómo agilizan y facilitan las pruebas.

8 April 2025

Practica el diseño de API en Apidog

Descubre una forma más fácil de construir y usar APIs