Pipeline de inteligencia de llamadas

Los equipos que trabajan por teléfono — soporte, ventas, clínicas, inmobiliarias — generan horas de audio que nadie vuelve a escuchar. Una transcripción simple apenas mejora: es larga y no se puede buscar por significado. Lo útil es un registro corto y estructurado por llamada que se pueda filtrar y buscar. Este diseño es un pipeline sobre telefonía hospedada por el proveedor que produce exactamente eso, usando grabaciones sintéticas como datos de prueba.

• La transcripción tarda más de lo que permite el timeout de un webhook, así que el trabajo no puede ocurrir en el request.
• Los resúmenes de LLM en texto libre no se pueden filtrar, contar, ni se puede confiar en que tengan la misma forma dos veces.
• La transcripción es el paso caro; mejorar el prompt de extracción no debería implicar pagarla otra vez.

Cuando la grabación de una llamada está lista, Twilio envía un status callback; el endpoint verifica la firma, guarda el evento y encola un job en BullMQ. El pipeline corre como tres etapas independientes, cada una persistiendo su salida en PostgreSQL: (1) descargar la grabación y transcribirla con Whisper, conservando timestamps por segmento; (2) enviar la transcripción a un LLM con un esquema JSON — tema, intención del cliente, objeciones planteadas, compromisos asumidos, siguiente paso, sentimiento — y rechazar cualquier salida que no pase la validación; (3) indexar la transcripción con búsqueda full-text. Como cada etapa guarda su resultado, cambiar el esquema de extracción significa re-ejecutar la etapa 2 sobre las transcripciones guardadas sin tocar el audio. Una vista en React lista las llamadas con sus campos estructurados, filtra por cualquiera de ellos, y salta de un resultado de búsqueda al momento correspondiente de la transcripción.

El punto débil es la separación de hablantes: sin ella, 'quién se comprometió a qué' es una suposición del LLM. El siguiente paso son grabaciones de doble canal para transcribir cada lado por separado, y luego medir la tasa de error de palabras y la precisión de extracción sobre un set etiquetado de llamadas sintéticas.