Todas las guías
Inteligencia artificial 7 min de lecturaActualizada el 17 de noviembre de 2026

Qué hacer con los audios y las fotos que te mandan por WhatsApp

Los clientes mandan audios largos y fotos. Cómo leer un audio sin escucharlo, contestarlo con un asistente de IA y qué hacer con la foto de una lista.

En pocas palabras

Para el cliente, mandar un audio o una foto es lo más rápido. Para el negocio es trabajo: un audio de dos minutos hay que escucharlo entero y una lista en una foto hay que pasarla en limpio. Con el audio pasado a texto se lee de un vistazo, un asistente de IA puede contestarlo con la información del negocio y la foto de una lista se convierte en una respuesta con el precio de cada cosa.

Por qué los clientes mandan audios y fotos

Para el cliente, grabar un audio es lo más rápido: está en la obra, manejando o con las manos ocupadas, y cuenta todo de corrido. Para el negocio es al revés. Un audio de dos minutos no se puede mirar por arriba: hay que escucharlo entero, y con gente en el mostrador eso no siempre se puede.

Con las fotos pasa algo parecido. La lista que escribió el albañil, la etiqueta de un producto o la captura de otro presupuesto traen justo el dato que hace falta, pero alguien tiene que abrirlas, leerlas y pasarlas a un pedido.

  • Un audio largo obliga a parar lo que estás haciendo.
  • Lo que se dijo en un audio no se puede buscar después.
  • Una foto con una lista es un pedido que todavía nadie cargó.

Leé el audio en vez de escucharlo

Un audio pasado a texto se lee en segundos, con el local lleno y sin auriculares. Además queda escrito: dentro de una semana se puede revisar qué pidió ese cliente sin volver a escuchar nada.

El texto no reemplaza al audio. Conviene que el audio siga ahí, al lado de su texto, para escucharlo cuando el tono importa o cuando una palabra no quedó clara.

  • El texto del audio, en la misma conversación.
  • El audio original, siempre a mano.
  • Los números, revisados: una cantidad mal entendida cambia el pedido.

Usá la IA con la información de tu negocio.

Cargá productos, políticas y preguntas frecuentes, y definí qué puede responder y cuándo deriva a tu equipo.

Qué contestarle a un audio largo

Un audio largo suele traer varias preguntas mezcladas: precios, si hay envío, cómo se paga. La respuesta que sirve las contesta todas, en orden y por escrito, para que el cliente pueda volver a leerla.

Un asistente de IA puede hacer ese trabajo si tiene cargada la información del negocio: escucha el audio, separa lo que se preguntó y responde con tus precios y tus condiciones. Lo que no está cargado no tiene que inventarlo.

  • Una respuesta que conteste todo lo que se preguntó.
  • Con los datos del negocio, no con generalidades.
  • Si falta un dato, que lo diga y lo retome una persona.

Contestar con la voz: cuándo sí y cuándo no

A quien manda un audio muchas veces le resulta más cómodo recibir otro: lo escucha mientras sigue trabajando. Una nota de voz corta, con la respuesta concreta, mantiene la conversación en el mismo tono.

No todo conviene decirlo en voz alta. Un enlace o una respuesta larga, con muchos datos, se necesitan por escrito, para copiarlos o volver a mirarlos. Y quien atiende después tiene que poder ver qué se dijo sin escuchar cada audio.

  • Voz para las respuestas cortas.
  • Por escrito cuando hay enlaces o mucho detalle.
  • Que quede el texto de lo que se dijo.

La foto de una lista también es un pedido

Cuando llega la foto de una lista escrita a mano, el trabajo es pasarla en limpio: qué producto es cada renglón, cuánto pide y qué precio tiene. Un asistente que lee imágenes puede hacer esa primera pasada y contestar con el precio de cada cosa.

Conviene revisar lo que leyó, sobre todo las cantidades y las cuentas: la letra de una lista no siempre es clara, y un total se confirma antes de pasarlo como presupuesto. La foto queda en la conversación para compararla.

  • Cada renglón de la lista, con su precio.
  • Las cantidades y los totales, revisados por una persona.
  • La foto original, guardada en la conversación.

Cómo se hace en Volga

En una conversación de WhatsApp, cada audio del cliente queda pasado a texto debajo del reproductor, en la Bandeja, y se puede escuchar desde ahí. Pasa lo conteste el asistente o una persona del equipo, también con la IA en pausa. Cada plan trae minutos de transcripción por mes, todos los audios cuentan y «Uso del plan» muestra cuántos llevás.

En Configuración → Perfil del negocio → «Respuestas en audio» activás la nota de voz y elegís la voz, femenina o masculina. Sale cuando el cliente mandó un audio y la respuesta es en español, de hasta 1.000 caracteres y sin enlaces, y en la Bandeja queda con su texto. Cuando llega una foto, el asistente la lee y responde con lo que cargaste en tu conocimiento; videos, documentos y stickers no los interpreta.

  • Los audios, en todos los planes con asistente.
  • La lectura de fotos, en los planes Growth y Scale.
  • La nota de voz, en el plan Scale.

Preguntas frecuentes

Dudas sobre esta guía

¿Los audios se pasan a texto si atiendo yo, sin el asistente?

Sí. Aunque la conversación la atienda una persona o la IA esté en pausa, el audio queda pasado a texto debajo del reproductor, y cuenta para los minutos de transcripción del plan. En el plan Humana, que no incluye el asistente de IA, también: el audio se pasa a texto para que lo lea el equipo, dentro de los minutos del plan, y pasarlo a texto no le manda nada al cliente.

¿El asistente contesta siempre con una nota de voz?

No. Hay que activarlo, y sale con voz cuando el cliente mandó un audio por WhatsApp y la respuesta es en español, de hasta 1.000 caracteres y sin enlaces. En los demás casos responde por escrito.

¿Qué pasa con los videos y los documentos que mandan los clientes?

El asistente interpreta fotos. Videos, documentos y stickers no los interpreta: conviene que los mire una persona del equipo.

Seguí aprendiendo

Audios y fotos de clientes en WhatsApp | Volga Assistant