La respuesta corta
El modo de voz es una conversación hablada en tiempo real: tú hablas, el modelo responde en voz alta y puedes interrumpirlo. Todos los planes de pago incluyen minutos de voz: 10 al mes en Starter, 80 en Pro y 500 en Powerhouse.
La sesión genera una transcripción que llega a tu historial de chats, así que una conversación hablada se puede releer después igual que una escrita. Los minutos de voz se cuentan con su propio contador y no gastan créditos.
Iniciar y controlar una sesión
Abre el modo de voz desde el chat y la sesión se conecta y empieza a escuchar. No hay un paso de pulsar para hablar: simplemente empiezas a hablar. Las respuestas llegan en una voz predefinida, una voz cálida llamada Sulafat, y la voz funciona sobre la Gemini Live API: Whizi genera un token de sesión de corta duración y tu navegador transmite el audio directamente a Google, así que ningún audio pasa por los servidores de Whizi.
Los controles durante una sesión son deliberadamente mínimos. Puedes silenciar el micrófono, lo que impide que te escuche sin terminar la sesión, y puedes terminar la sesión por completo. El indicador de estado muestra si Whizi está escuchando o hablando en ese momento, algo que importa más de lo que parece, porque saber si te han oído es la mayor parte de lo que hace tolerable una interfaz de voz.
Como la conversación es en tiempo real y no por turnos, puedes intervenir mientras el modelo sigue hablando, igual que harías con una persona. Sin eso, tendrías que esperar a que termine una respuesta larga e incorrecta antes de poder redirigirla.
La transcripción se puede abrir en el chat en cualquier momento, incluso a mitad de la sesión. Esa es la vía de escape cuando algo necesita ser preciso: leer lo que realmente se captó en lugar de dar por hecho. El reconocimiento de voz en nombres, números y términos técnicos es la parte más débil de cualquier interfaz de voz, así que revisar la transcripción a mitad de sesión es la forma más rápida de detectar un malentendido antes de que condicione la siguiente respuesta.
Cómo se cuentan los minutos
Los minutos cuentan el tiempo de sesión, y la asignación se cuenta por cuenta y se reinicia con tu periodo de facturación. Una sola sesión dura como máximo 15 minutos: la llamada de inicio reserva tiempo de tu asignación y le indica a la sesión cuánto puede durar, así que cuando te quedan menos minutos que eso, la sesión se acorta para ajustarse.
La asignación depende del plan: 10 minutos al mes en Starter, 80 en Pro y 500 en Powerhouse. Las cuentas gratuitas no reciben ninguno. Powerhouse equivale a poco más de ocho horas al mes, o unos veinte minutos cada día laborable. Las conversaciones de voz son naturalmente cortas, el formato se presta a intercambios de cinco minutos más que a sesiones de una hora, así que los niveles superiores rara vez son una limitación real.
Silenciar el micrófono no detiene el contador. Terminar la sesión sí. Si te vas a apartar, termina la sesión en lugar de silenciarla.
Los minutos de voz son una asignación propia y no dependen de nada más. Los minutos de voz, los créditos y las generaciones de imágenes son contadores separados que no comparten recursos, así que una conversación hablada larga no reduce la cantidad de mensajes de Claude o GPT que puedes enviar ese mes. También significa que una cuenta que se ha quedado sin créditos aún conserva sus minutos de voz, y una cuenta que ha agotado su asignación de voz todavía puede escribir.
La transcripción que deja una sesión es un chat normal, así que no cuesta nada extra conservarla y queda en tu historial junto a todo lo que escribiste.
En qué es realmente mejor la voz
La voz no es una versión más rápida de escribir, y usarla así resulta decepcionante. Tres casos en los que gana de verdad:
Pensar en voz alta. Hablar sobre un problema que aún no has estructurado es mucho más fácil que escribirlo, porque no tienes que comprometerte con una frase antes de saber cómo termina. La transcripción resultante suele describir mejor el problema que cualquier cosa que hubieras escrito.
Manos ocupadas o vista en otra parte. Cocinar, conducir, caminar o estar haciendo algo físico. Este es el caso obvio y es real.
Practicar una conversación. Respuestas de entrevista, un mensaje difícil para un cliente, un pitch. Decirlo en voz alta y escuchar una respuesta saca a la luz las frases torpes que parecen bien sobre el papel.
Donde pierde: cualquier cosa con código, números exactos, nombres difíciles de deletrear o resultados estructurados largos que querrás copiar. Escribe eso.
| Qué estás haciendo | Hablado o escrito | Por qué |
|---|---|---|
| Pensar en un problema que aún no has estructurado | Hablado | No tienes que comprometerte con una frase antes de saber cómo termina |
| Cocinar, conducir, caminar o hacer algo físico | Hablado | Las manos están ocupadas y la vista en otra parte, y la transcripción queda en tu historial después |
| Practicar respuestas de entrevista, un mensaje difícil o un pitch | Hablado | Decirlo en voz alta saca a la luz las frases torpes que parecen bien sobre el papel |
| Código, números exactos, nombres difíciles de deletrear, resultados largos que copiarás | Escrito | El reconocimiento de voz es más débil con nombres, números y términos técnicos |
- Todos los planes de pago incluyen voz: 10 minutos en Starter, 80 en Pro, 500 en Powerhouse
- Una sola sesión dura como máximo 15 minutos
- La voz no gasta créditos, tiene su propio contador
- Silenciar no detiene el contador, terminar la sesión sí
- La transcripción llega al historial de chats y sigue siendo legible después
- Usa el texto escrito para código, números exactos y cualquier cosa que vayas a copiar
Preguntas frecuentes
¿Qué plan incluye el modo de voz?
Todos los planes de pago incluyen el modo de voz, y las cuentas gratuitas no reciben minutos de voz en absoluto. Lo que cambia con el nivel es la asignación: Starter incluye 10 minutos de voz al mes, Pro incluye 80 y Powerhouse incluye 500, reiniciándose con el periodo de facturación.
¿Los minutos de voz salen de mis créditos?
No. La voz tiene su propio contador de minutos y no gasta créditos, así que una conversación hablada larga no reduce la cantidad de mensajes de Claude o GPT que puedes enviar. Los minutos de voz, los créditos y las generaciones de imágenes son asignaciones separadas que no comparten recursos.
¿Puedo ver lo que dije en una sesión de voz?
Sí. Cada sesión genera una transcripción que va a tu historial de chats, y puedes abrirla durante la sesión y también después. Vale la pena revisarla a mitad de sesión siempre que la precisión importe: los nombres, números y términos técnicos son lo que más falla el reconocimiento de voz.
¿Puedo interrumpir al modelo mientras habla?
Sí, la conversación es en tiempo real y no por turnos, así que puedes intervenir igual que harías con una persona, y el modelo se detiene en lugar de terminar una respuesta larga e incorrecta que de otro modo tendrías que esperar.