Avatar conversacional con voz y respuesta visual coordinada
Una representación virtual con conocimiento autorizado, entrada por voz, respuesta hablada y una secuencia visual que acompaña la intención y duración de cada frase.
- Entrada
- Voz o texto
- Salida
- Respuesta, audio y secuencia de vídeo
- Control
- Conocimiento limitado y fallback local
Arquitectura del flujo
Etapas del sistema
Las decisiones de implementación y el stack concreto se comparten únicamente en reuniones privadas.
- 01EscuchaMicrófono o texto del visitante
- 02CriterioConocimiento autorizado y límites
- 03VozTranscripción y síntesis
- 04EscenaCola de clips según intención y duración
El reto
No bastaba con poner un chatbot al lado de un vídeo
La experiencia debía sentirse cercana sin atribuir al avatar información que no conoce. Además, el tiempo de respuesta, la grabación del micrófono, la síntesis de voz y los cambios de vídeo debían coordinarse para no producir silencios, saltos o gestos incoherentes.
Preguntas sobre menús, precios, reservas o datos privados tenían que quedar fuera del ámbito, y los intentos de cambiar las instrucciones del personaje no podían contaminar la respuesta.
La solución
Conversación, voz y puesta en escena coordinadas en tiempo real
El modelo conversacional recibe una base de hechos autorizados, límites y un historial corto. El controlador filtra entradas, detecta intentos de cambiar las instrucciones, limita el uso y ofrece respuestas locales de respaldo si un proveedor deja de estar disponible.
Un servicio transcribe el audio y otro sintetiza la voz. En el navegador, la respuesta se divide en frases y construye una cola de clips semánticos sincronizados con la duración real del audio.
Capacidades
Qué resuelve el sistema
- Entrada escrita o grabación de voz con formatos compatibles.
- Transcripción y síntesis de voz configuradas para la experiencia.
- Identidad y conocimiento acotados, con negativa para ámbitos no disponibles.
- Detección de intentos de alterar instrucciones y validación de la petición.
- Respuestas locales de respaldo ante fallos de proveedores externos.
- Montaje dinámico de clips semánticos sincronizado con el audio generado.
Resultado operativo
La identidad virtual responde con coherencia verbal, sonora y visual
La experiencia deja de ser un vídeo decorativo con un cuadro de texto. Voz, contenido y gesto responden como partes de un mismo sistema, con una frontera clara entre la representación virtual y la persona real.