casos de uso · QA de conversaciones
Los equipos de calidad escuchan una muestra porque escuchar es caro y luego discuten si la muestra era representativa. Transcribe todo, puntúalo contra el checklist que ya usas y gasta las horas de persona en formar en vez de en escuchar.
cómo funciona
Tres pasos, con el componente que hace el trabajo en cada uno.
paso 01
whisper Transcripción abierta y multilingüe en tu propia infraestructura. Mantener agente y cliente en canales separados es lo que hace posible el scoring después, así que conviene resolverlo en el lado de la grabación.
paso 02
deepseek-v4-flash Tu formulario de QA actual se convierte en el prompt: saludo, identificación, el aviso que estás obligado a dar, la resolución, el cierre. Cada punto vuelve con un veredicto y la cita que lo justifica.
paso 03
qwen-3.6 Resúmenes por agente y por cola sobre el mes completo y no sobre las doce llamadas para las que alguien tuvo tiempo. El patrón que aparece en mil conversaciones es el que merece una sesión de formación.
drop-in
Apunta el SDK de OpenAI, o LangChain, LlamaIndex, el pipeline que ya tengas, a Helmcode. Mismas llamadas, mismas formas, modelos privados en infraestructura de la UE.
leer_los_docsfrom openai import OpenAI client = OpenAI( api_key="sk-...", base_url="https://api.helmcode.com/v1", # one line changes ) # 1 · transcribe, speakers on separate channels turns = client.audio.transcriptions.create( model="whisper", file=call, ) # 2 · score against the QA form you already use scored = client.chat.completions.create( model="deepseek-v4-flash", messages=[ {"role": "system", "content": checklist}, {"role": "user", "content": turns.text}, ], response_format={"type": "json_object"}, )
por qué aquí
Lo que cambia al ejecutarlo sobre modelos abiertos en infraestructura que controlas.
El muestreo existe porque escuchar cuesta dinero, no porque el dos por ciento sea estadísticamente satisfactorio. Cuando el coste de escuchar todo es plano, el apaño no tiene motivo para sobrevivir.
La grabación de una llamada lleva una voz, un nombre, una cuenta y a veces un detalle de salud o financiero que nadie escribió. Cero logs e inferencia solo en la UE lo mantienen fuera de un tercero y on-premise lo mantiene fuera de la red por completo.
Sin scorecard fijo impuesto por un proveedor. Tus criterios son un prompt que es tuyo y que puedes cambiar el lunes, incluidos los puntos regulatorios que añada tu propio equipo de compliance.
sectores
Los sectores donde este caso tiene tracción, cada uno con su página y su normativa.
// faq
Lo que preguntan los equipos de calidad y compliance antes de puntuar todas las llamadas en vez de una muestra.
Si la grabación los mantiene en canales separados, con limpieza y siempre. Desde un único canal mezclado, la diarización es una estimación que acierta la mayoría de turnos y falla algunos, y eso no basta para puntuar el desempeño de nadie. Arréglalo en el grabador si puedes.
Monitorizar y evaluar el desempeño de los trabajadores está nombrado en el Anexo III del AI Act, y el empleador tiene que informar a los trabajadores y a sus representantes antes de poner en servicio un sistema así. Esta es una cuestión de tu proceso legal y de comité, no algo que resuelva la infraestructura. Lo que sí puede es hacer cada puntuación explicable y trazable.
Whisper es sólido en las variantes del español y aguanta el cambio de idioma a media frase, que importa en España y en operaciones latinoamericanas. Mídelo con tu propio audio antes de comprometerte: la calidad de línea mueve el resultado más que el acento.
// empezar
Olvídate de la infra de IA. Despliega hoy el primer endpoint de inferencia privada.
Tarifa plana. Datos en la UE. Compatible con la API de OpenAI.
// cookies
Solo usamos cookies estrictamente necesarias para que el sitio funcione. Nada de analítica ni publicidad, nunca — consulta la Política de cookies.
// preferencias