Montar el agente es fácil. Que suene humano es el nivel difícil

Probé Eleven v3 hace meses, casi de refilón. Y desde entonces vuelve a la mesa una y otra vez, porque toca justo esa tecla: la de darle intención a una voz sintética. No más volumen. No más "energía". Intención.

Piénsalo como un guion de teatro. El texto es lo que se dice. Pero un buen guion no es solo el texto: son las acotaciones. "(con calma)", "(dudando)", "(sonríe)". Sin ellas, un actor recita. Con ellas, actúa. Los audio tags de ElevenLabs v3 son exactamente eso: las acotaciones de la voz de tu agente.

Este artículo es la guía completa de esa capa. Qué es, cómo funciona por dentro, qué tags existen, cómo se colocan, y —esto es importante— qué versión de v3 usar según dónde corre tu agente, porque en 2026 ya no hay un único v3. Lo he contrastado con la documentación oficial de ElevenLabs y he marcado lo que es observación de la práctica frente a lo que es especificación del fabricante.

Eleven v3 (identificador de modelo eleven_v3) es el modelo de texto a voz más expresivo de ElevenLabs. Según su documentación, produce "habla natural y realista, con alto rango emocional y comprensión del contexto" en más de 70 idiomas, con un límite de 5.000 caracteres por petición —aproximadamente cinco minutos de audio— y soporte para diálogo multi-interlocutor.

Eleven v3 nació como una versión alpha que exigía bastante más trabajo de dirección que los modelos anteriores. Desde febrero de 2026 ya está fuera de alpha y disponible de forma general: ElevenLabs anunció que la versión definitiva es más estable y que, en sus pruebas, se prefirió frente a la alpha en el 72 % de los casos. Sigue siendo un modelo que responde muchísimo al texto, la voz elegida, la puntuación y los tags. No basta con seleccionarlo y esperar que suene de maravilla: hay que dirigirlo. Justo de eso va este artículo.

Los audio tags son palabras entre corchetes que escribes dentro del texto y que el modelo interpreta para dirigir la síntesis. No forman parte de lo que se dice: forman parte de cómo se dice. Un ejemplo:

El flujo técnico, paso a paso

Esto es clave entenderlo, porque explica casi todo lo demás. En un agente conversacional pasan cuatro cosas, en este orden:

Aquí es donde el artículo podría envejecer mal si no lo cuento bien. Cuando v3 salió, la elección parecía simple: querías emoción, usabas v3 para audio grabado; querías tiempo real, tirabas de un modelo de baja latencia. Punto.

Eso ya no es toda la historia. Ahora ElevenLabs tiene Eleven v3 Conversational, una versión de baja latencia creada expresamente para conversaciones en directo dentro de ElevenAgents. Está optimizada para diálogo en tiempo real, mantiene contexto entre turnos, adapta la entrega al tono de la conversación (lo llaman Expressive Mode), admite tags expresivos y soporta más de 70 idiomas. Se activa seleccionando V3 Conversational como modelo TTS del agente. Es decir: expresividad de v3 sin renunciar a la conversación en vivo.

Así queda el reparto real en 2026, que es lo que tienes que decidir antes de escribir un solo tag:

Y aquí va lo que casi nadie te cuenta

Con V3 Conversational no necesitas convertir cada emoción en una etiqueta. Puedes indicar en el system prompt que responda con calma ante la frustración, con claridad al explicar pasos y con calidez al dar buenas noticias, y el modelo interpreta el contexto y adapta la entrega. Los tags explícitos quedan para los momentos concretos donde quieres control fino.

Esto cambia el marco de todo lo que viene después. Los tags no son la única capa de dirección emocional: son la capa explícita. La otra capa la escribe el propio agente cuando decide qué responder y con qué intención. El toque humano no empieza en el TTS: empieza antes, en lo que el LLM decide decir.

Aquí es donde mucha gente se pega el tortazo. Escriben [warm] Gracias por llamar pensando en la emoción, pero tienen configurado un modelo de baja latencia —Turbo v2.5 o Flash— que no interpreta tags. Y el resultado no es "sin emoción": puede ser peor.

Si envías un tag a un modelo que no lo interpreta, no puedes contar con ningún efecto emocional. Y lo que pasa con el corchete depende del pipeline:

• Que se elimine: algún paso de normalización lo retira antes de llegar al TTS. Neutro, sin daño.
• Que se ignore: el modelo descarta lo que hay entre corchetes y dice solo "gracias por llamar", plano.
• Que llegue como texto: el corchete cruza el pipeline y el modelo lo trata como algo susceptible de pronunciarse. "Warm, gracias por llamar". Ridículo.

No es cuestión de la voz ni del LLM: quien ejecuta el tag es el modelo de síntesis, y ese modelo debe ser compatible con los audio tags de v3 (Eleven v3 o V3 Conversational). El LLM solo escribe el tag siguiendo tu prompt. El TTS es quien lo hace sonar — o no.

La documentación de ElevenLabs muestra ejemplos de tags agrupados en familias —reacciones emocionales, sonidos humanos no verbales, dirección de entrega, acentos y efectos de sonido—. Para un agente conversacional, la lista útil se reduce a tres grupos. No los uses todos: elige los que encajen con tu caso.

Reacciones emocionales

El color emocional de una frase. Son los que más vas a usar.

Sonidos no verbales — con cuentagotas

Añaden espontaneidad humana. Usados de más, suenan a actuación. Uno de vez en cuando, bien colocado, hace milagros.

Modificadores de entrega

No cambian la emoción: cambian el cómo. Ritmo, tono, registro.

v3 puede generar efectos de sonido, ambientaciones y reacciones físicas. Que pueda hacerlo no significa que sirva para tu agente: como modelo de producción de audio, entiende cosas que en una conversación telefónica van del ridículo al desastre. Mantenlas fuera del prompt:

• Efectos de sonido documentados: [gunshot], [explosion], [applause] aparecen en la documentación de ElevenLabs. Perfectos para una producción de audio; un disparo en mitad de "le paso con el departamento" no lo quiere nadie.
• Descripciones experimentales de ambiente y efecto: cosas como ambientaciones cinematográficas, ecos o reverberaciones. Funcionen o no con una voz concreta —no están garantizadas—, son justo lo contrario de "que suene humano".
• Sonidos físicos: toses, bostezos y similares. Un agente que bosteza atendiéndote es un chiste malo.

Regla simple: en un agente de voz solo entran tags que un buen profesional al teléfono podría "hacer" con su voz —una entonación, una pausa, una calidez—. Todo lo que sea un efecto de estudio, fuera.

El tag va justo antes de lo que debe afectar

Colócalo pegado a las palabras que quieres colorear. Si lo pones al principio de todo, tiñe la frase que no toca y se ha desvanecido cuando llega la importante.

Un tag colorea unas 4-5 palabras y se apaga

Esto es lo que descoloca a todo el mundo. Un tag no sostiene la emoción hasta el final del párrafo. En V3 Conversational, ElevenLabs indica que el efecto de un tag dura aproximadamente entre cuatro y cinco palabras antes de volver a la entrega normal. Es una referencia aproximada, no una frontera matemática: puede variar según la voz, el idioma, el texto y el tag. Si quieres emoción sostenida, vuelves a taggear:

Combina con cabeza, y no taggees cada frase

La documentación oficial permite combinar varios tags en una misma frase. Pero, por experiencia, dos suele ser el tope sano para una entrega en capas —[gentle][slow] Lo siento mucho.—: a partir de ahí el modelo se lía. Un tag por frase basta casi siempre. Y sobre todo: no taggees cada frase. El exceso suena performativo, teatral, falso. En un perfil sutil, la mayoría de las frases van sin tag. El color es la excepción, no la norma.

Si vienes de otros sistemas de voz, estarás acostumbrado a SSML: esas etiquetas tipo <break> para meter pausas. Eleven v3 no soporta la etiqueta <break> de SSML. ElevenLabs recomienda controlar el ritmo con audio tags, puntos suspensivos, puntuación y estructura del texto — que además el LLM ya sabe escribir:

• ... — pausa con peso, añade énfasis y suspense.
• MAYÚSCULAS — énfasis vocal sobre esa palabra.
• - — pausa ligera entre ideas.
• , — micro-pausas naturales.
• ? — entonación ascendente.
• ! — energía (con moderación, o suena a teletienda).

La emoción base de un agente depende de para qué es. Un soporte técnico arranca en calma; una recepción, en calidez. Estos perfiles son plantillas para empezar: ajústalos según cómo suene tu voz concreta con tus tags.

Sobre la densidad, dos intensidades bastan para casi todo:

• Sutil (mi recomendación por defecto): un tag cada tres o cuatro frases. La mayoría van sin nada. Suena natural con color ocasional. Ideal para contextos profesionales.
• Moderada: un tag cada dos o tres frases, más rango emocional. Bien para interacciones cálidas y relacionales, como ventas u hostelería.

No hay un tercer nivel "intenso". Taggear cada frase no es más expresivo: es más falso.

Imagina una clienta que llama enfadada porque le han cobrado dos veces. Cambian dos capas: lo que escribe el agente y cómo lo entrega la voz. Porque —y esto es clave— ningún tag arregla una respuesta emocionalmente pobre.

Fíjate en que la segunda no solo lleva tags: lleva otras palabras. Valida el enfado antes de tocar el problema, reconoce que "no debería haber pasado", pide un segundo. Esa parte la decide el LLM, no el TTS. Y encima va dirigida: [sympathetic] para validar, [concerned] para preocuparse, la pausa de puntos que da peso al reconocimiento, [reassuring] al encontrar la causa, y el cierre cálido con "HOY" enfatizado que suena a compromiso, no a fórmula.

Ese es el punto que casi nadie dice: el toque humano no vive solo en la voz. Empieza en lo que el agente decide escribir y termina en cómo la voz lo entrega. Los tags son la segunda mitad. La primera es saber qué decir. No es magia y no cae del cielo: es una cuenta que puedes rehacer, en las dos capas.

Un tag no puede forzar a la voz más allá de su rango. Si la voz es suave por diseño, [shouts] no producirá un grito: los tags mejoran el rango natural de la voz, no lo reinventan. Por eso la voz y sus ajustes son la mitad del resultado.

El desarrollo de agentes de voz es iterativo. Nadie clava el tono a la primera. Estos son los escenarios que conviene ejecutar y lo que hay que escuchar en cada uno.

Y al escuchar, ve a lo concreto: ¿los tags suenan naturales o teatrales? ¿Hay demasiados (performativo) o muy pocos (plano)? ¿Las pausas de los puntos suspensivos caen bien? ¿El énfasis en mayúsculas suena natural? ¿El carácter base de la voz aguanta los tags que le has puesto?