Presentamos Speak Mode: traducción de voz con IA que habla por ti en las reuniones

Hay un momento concreto y doloroso que conoce todo hablante no nativo en una reunión multilingüe. La conversación avanza rápido. Los subtítulos van pasando por tu pantalla. Lo entiendes todo perfectamente — Gaavala lleva veinte minutos traduciendo a la otra parte y sigues la conversación palabra por palabra. Alguien se gira hacia ti y te hace una pregunta directa.

Y entonces la barrera del idioma, que había sido unidireccional, se convierte en un muro.

Sabes la respuesta. Sabes exactamente lo que quieres decir. Simplemente no puedes decirlo a la misma velocidad ni con la misma precisión en el idioma de trabajo de la reunión. Dudas, suavizas, simplificas y acabas sonando menos informado de lo que estás. Para cuando has montado una frase cuidada, la conversación ya ha seguido su curso.

Construimos Speak Mode para cerrar ese círculo. Con Speak Mode activado, hablas en tu idioma nativo y Gaavala devuelve tu voz traducida a la reunión. Los demás participantes oyen una voz fluida, en tiempo real, entregando tu respuesta en su idioma. Dejas de ser la persona callada de la sala.

Este artículo recorre exactamente qué hace Speak Mode, el único botón que lo gobierna y los dos gestos que lee, las dos voces entre las que puedes elegir — 69 preajustes de estudio o un clon nativo de tu propia voz — y los compromisos que conviene entender antes de activarlo para una llamada importante.

Qué hace Speak Mode en realidad

Speak Mode no es una pista de doblaje superpuesta a una transcripción. Es una canalización de voz en vivo y bidireccional que corre junto al flujo de transcripción que Gaavala ya tenía.

Cuando lo activas durante una reunión, esto es lo que ocurre dentro de tu navegador:

La extensión captura el audio de tu micrófono — de forma separada del audio de la pestaña que Gaavala ya captura para el lado entrante.
Ese audio del micrófono se transmite directamente a Soniox mediante un WebSocket para la conversión de voz a texto. Es el mismo patrón directo a Soniox que usa el resto de Gaavala — ningún audio toca nuestro backend.
A medida que Soniox emite tokens comprometidos en tu idioma de origen, la extensión los agrupa en frases cortas y envía el texto al paso de traducción de Gaavala para el idioma de destino que hayas configurado.
El texto traducido se entrega al motor TTS que hayas seleccionado, que sintetiza un clip de voz.
Ese clip de voz se envía a la llamada en lugar de tu pista de micrófono saliente, de modo que todos oyen la voz traducida como si fuera la tuya. No hay ningún dispositivo de micrófono virtual que instalar ni nada que seleccionar en los ajustes de audio de tu aplicación de reuniones — y mientras suena la voz traducida, tu micrófono real está silenciado para que la llamada nunca oiga las dos cosas a la vez.

Todo el bucle corre mientras sigues hablando. Cuando terminas una frase en tu idioma, la traducción sintetizada ya está sonando en el suyo. No esperas a pulsar un botón de "traducir". No haces entre ideas pausas más largas de las que harías normalmente.

Un botón que lee el gesto

Las reuniones reales no son todas iguales, así que Speak Mode tiene que comportarse de forma distinta cuando devuelves una respuesta de una línea y cuando estás guiando a alguien por una diapositiva. La mayoría de las herramientas resuelve eso con un selector de modo que tienes que ajustar antes de necesitarlo — lo que significa que, en el momento en que necesitas el otro modo, estás en el equivocado.

Gaavala no tiene selector de modo. Hay un único botón Speak, y lee cómo lo pulsas.

Mantenlo pulsado

Mantén pulsado el botón y hablas solo mientras lo mantienes. Sueltas y la canalización se cierra limpiamente. Este es el gesto walkie-talkie, y es el seguro: nunca emites por accidente un comentario lateral, una tos o un momento de pensar en voz alta. Es el instinto correcto para una intervención rápida, para llamadas de alto riesgo donde la precisión gana a la fluidez, y para cualquier sala donde tu micrófono pueda recoger voces que no querías traducir.

Mantener pulsado también funciona desde el teclado — pulsa y mantén la barra espaciadora durante un tercio de segundo y se comporta exactamente igual que mantener pulsado el botón.

Tócalo

Toca el botón en su lugar y se abre una ventana manos libres de 60 segundos. Un anillo cuenta atrás la ventana en minutos y segundos, y se pone ámbar en los últimos diez, de modo que siempre sabes cuánto te queda de turno sin mirar el reloj. Habla con naturalidad; Gaavala traduce y pone voz a cada frase sobre la marcha, y tú no tocas nada.

Dos toques rápidos abren en cambio una ventana de 30 segundos — la duración honesta para un punto preparado y breve. Toca una vez más mientras una ventana está corriendo y se detiene antes; si no, termina sola al llegar a cero.

Por qué esto es un control y no dos

El gesto que ya haces codifica la intención. Una pulsación corta significa "solo esto"; un toque significa "dame un rato". No hay que configurar nada por adelantado, nada está en el modo equivocado cuando llega el momento y no hay atajo que asignar ni que olvidar. La propiedad de seguridad que gustaba del push-to-talk — que nada sale de la sala salvo que tú lo quieras — sigue siendo exactamente cierta al mantener pulsado.

Las voces: 69 preajustes de estudio y la tuya propia

Speak Mode te da dos formas de elegir la voz que oye la reunión. Ambas hablan los 60 idiomas que Gaavala traduce y ambas se mantienen en la misma ruta directa a Soniox que usa el resto de Gaavala — sin ningún proveedor de voz externo en el bucle.

69 voces de estudio de Soniox (el valor por defecto de Pro)

Las voces de estudio de Soniox son el valor por defecto en Pro y el que la mayoría de la gente nunca necesita cambiar: 69 preajustes multilingües que hablan los 60 idiomas que Gaavala traduce, de forma translingüe y con una clave gestionada — no hay nada que configurar. La síntesis va del navegador directamente a Soniox usando el mismo patrón de clave de corta duración que los subtítulos, así que el texto traducido nunca pasa por el backend de Gaavala. La latencia es de transmisión — la voz empieza a sonar en cuanto está listo el primer fragmento, normalmente uno o dos segundos después de que una frase se comprometa.

Tu propia voz (clon nativo)

Graba una sola vez unos 20 segundos de tu propia voz, en el panel lateral, y Gaavala crea un clon personal — con tecnología Soniox — que habla los mismos 60 idiomas que hablaría una voz de estudio, con tu timbre en lugar de un preajuste. La muestra de referencia se guarda cifrada y puedes eliminarla en cualquier momento desde esa misma pantalla de ajustes; el audio de tus reuniones no se almacena nunca, ni en esta función ni en ninguna otra parte de Gaavala.

Las dos opciones intercambian exactamente una cosa: familiaridad. Una voz de estudio suena pulida y neutra desde la primera sesión. Tu propio clon tarda veinte segundos en configurarse y a partir de ahí suena inconfundiblemente como tú, siempre — útil si mantienes llamadas recurrentes con los mismos clientes o compañeros y quieres que oigan la misma voz llamada tras llamada.

Cómo se compara con lo que ya existe

La traducción de voz en tiempo real en reuniones lleva años siendo una función "próximamente". Existen algunas cosas, pero ninguna cubre el mismo terreno que Speak Mode.

Agente Interpreter de Microsoft Teams. Microsoft anunció un agente Interpreter para Teams que puede traducir y hablar con la voz del usuario. Es solo para Teams. Requiere una licencia de Microsoft 365 Copilot — un complemento de pago por puesto sobre un plan base que cumpla los requisitos — y está condicionado a que los administradores del tenant hayan habilitado Copilot para la organización. Si vives dentro de un parque de Teams con licencia de Copilot, es una opción legítima. Si trabajas entre Teams, Zoom, Meet y Webex con clientes fuera de tu tenant, no te servirá.
ChatGPT Voice Mode. ChatGPT puede mantener una conversación de voz contigo y puede traducir. Lo que no puede hacer es meterse dentro de tu llamada de Zoom y hablar en tu nombre a los demás participantes. Es un chatbot de voz personal, no un agente de voz para reuniones.
Subtítulos traducidos de Google Meet. Google Meet tiene subtítulos traducidos en tiempo real. Son solo texto. No hay salida hablada al otro lado.
Interprefy, KUDO y las plataformas de interpretación enterprise. Son servicios de interpretación reales — con intérpretes humanos, casi siempre, a veces con asistencia de IA — con un precio y una estructura pensados para grandes congresos e industrias reguladas. No son algo que un consultor individual añada a una llamada comercial uno a uno.

Hasta donde alcanzamos a ver, no hay en el mercado ninguna herramienta a precio de consumo que haga traducción de voz genuinamente bidireccional dentro de las plataformas de reuniones que la gente usa de verdad. Speak Mode es nuestra respuesta a ese hueco.

Para quién es Speak Mode

Speak Mode es una función de Pro y su precio está pensado para profesionales individuales, no para despliegues enterprise. Quienes más partido le sacan son:

Consultores internacionales que llevan llamadas de proyecto con clientes cuyo inglés es limitado y que preferirían oírte en su propio idioma antes que pelearse con el tuyo.
Responsables de equipos multilingües que se unen a los standups con equipos de ingeniería deslocalizados, donde media plantilla piensa en un idioma y la otra media en otro.
Comerciales que venden en mercados extranjeros, donde una voz de sonido fluido en el idioma del cliente cambia cómo se siente la llamada y cómo aterriza la propuesta.
Personas de operaciones de campo que hacen de puente entre una planta deslocalizada y la central, donde el coste de un malentendido es operativo, no solo social.

Si tus reuniones son plenamente bilingües en un solo par de idiomas y todo el mundo sigue el ritmo, probablemente no necesites Speak Mode. Si hay un momento recurrente en el que tú o alguien de la otra parte se queda en silencio porque la brecha de idioma es unidireccional, esta es la función que arregla ese momento.

Privacidad: qué cambia y qué no

La arquitectura de privacidad de fondo de Gaavala no cambia cuando activas Speak Mode. El audio entrante de la reunión sigue transmitiéndose directamente desde tu navegador a Soniox mediante un WebSocket que nunca toca nuestro backend. El audio de tu micrófono para Speak Mode sigue el mismo patrón directo a Soniox — nosotros nunca lo vemos.

El paso de TTS sigue el mismo patrón para las dos opciones de voz. Las voces de estudio de Soniox envían el texto traducido del navegador directamente a Soniox, autenticadas con las mismas claves temporales de corta duración que usan los subtítulos — el backend de Gaavala nunca ve el texto ni el audio. Tu propia voz clonada se sintetiza igual, con una excepción deliberada y estrecha aguas arriba: la muestra de referencia de ~20 segundos que grabas para construir el clon se guarda cifrada (AES-256-GCM) en los servidores de Gaavala, se usa únicamente para construir y mantener tu voz, y se puede eliminar cuando lo pidas. Nada más del audio de Speak Mode — ni la entrada de tu micrófono, ni el audio de la reunión, ni la salida sintetizada — se almacena en ningún momento.

El backend de Gaavala permanece fuera de la ruta del audio para las dos opciones de voz. Si quieres verificarlo, el mismo truco de inspección de red de nuestro artículo sobre privacidad sigue funcionando: abre las DevTools de la background page de la extensión, filtra la pestaña Network y verás una conexión directa a Soniox — y ningún tráfico de audio hacia gaavala.com.

Cómo activarlo

Speak Mode es una función exclusiva de Pro. La prueba gratuita de Gaavala (única, 5 minutos, sin tarjeta de crédito, nunca se reinicia) no incluye Speak Mode, así que el flujo de configuración es más o menos este:

Instala Gaavala gratis desde la Chrome Web Store e inicia sesión.
Pasa a Pro desde el panel lateral — $19.99/mes, sin periodo de prueba — mejora directamente cuando necesites Speak Mode.
Abre los ajustes del panel lateral y busca la sección de Speak Mode.
Elige una voz. Las voces de estudio de Soniox son el valor por defecto en Pro y no requieren configuración. Si quieres hablar con tu propia voz, elige "Clone my voice" (clonar mi voz) y graba una muestra de ~20 segundos — Gaavala construye tu clon y podrás seleccionarlo poco después.
Configura el idioma de destino de la reunión. No hay modo de captura que elegir — el botón Speak lee tu gesto, así que no hay que decidir nada por adelantado.

Después, únete a una reunión. Mantén pulsado el botón Speak cuando quieras decir una sola cosa, o tócalo para una ventana manos libres cuando tengas un rato que entregar.

Consejos de uso en el mundo real

Unas cuantas notas prácticas de construir y usar esto a diario:

Empieza manteniendo pulsado. La primera vez que oyes tu voz sintetizada sonar en una reunión, resulta extraño. Mantén pulsado el botón en tus primeras llamadas antes de empezar a tocar para ventanas manos libres. Tu sentido de cuándo pausar, de cuán alto hablar y de cómo aterriza la voz traducida al otro lado se calibra rápido — pero solo si controlas cada ráfaga.
Clona solo tu propia voz. El flujo de grabación del panel lateral únicamente construye un clon a partir de una muestra que grabes de ti mismo — no hay ninguna vía para clonar la voz de otra persona a través de Speak Mode, y el paso de consentimiento dentro de la aplicación lo refleja.
Comunícalo si importa. Si tu reunión tiene implicaciones de cumplimiento — legal, médica, ventas reguladas — avisa a la otra parte de que hay una capa de traducción de voz en tiempo real en la llamada. Es la misma etiqueta que comunicar el uso de una herramienta de transcripción.
Mantén el audio nativo encendido. Gaavala sigue llevando el audio original de la reunión a tus altavoces. Deberías seguir escuchando y leyendo el lado entrante. Speak Mode es la mitad saliente, no un sustituto de entender lo que te están diciendo.

Preguntas frecuentes

¿Sabe la reunión que lo estoy usando? No directamente. La voz sintetizada llega al otro lado por el mismo canal de micrófono que usarías tú, así que no hay banner ni metadatos. La otra parte oye una voz muy fluida y puede notar pequeñas pausas antes de cada respuesta. Recomendamos comunicarlo cuando importe — mira la nota de etiqueta más arriba.

¿Puedo usar mi propia voz clonada? Sí — de forma nativa, en Pro. Graba una muestra de ~20 segundos en los ajustes de Speak Mode del panel lateral y Gaavala crea un clon con tecnología Soniox que puedes seleccionar como tu voz de Speak Mode. No hace falta una cuenta aparte ni una clave de API.

¿Cuál es la latencia? Tanto las voces de estudio como tu propio clon usan la misma ruta de síntesis en streaming, directa del navegador a Soniox. Cuenta con que la voz empiece a sonar en un segundo o dos desde que una frase se compromete — no estás esperando a que se renderice la frase entera para que la reunión oiga algo.

¿Y si mi idioma de destino no es el inglés? Las dos opciones de voz ya hablan los 60 idiomas que Gaavala traduce — las voces de estudio de Soniox y tu propio clon funcionan igual sea cual sea el idioma de destino, sin configuración previa.

¿Funciona en reuniones con Teams Premium? Sí. Speak Mode funciona en cualquier reunión que corra en una pestaña de Chrome, incluidas Microsoft Teams, Zoom, Google Meet y Webex. Da igual si el organizador de la reunión tiene Teams Premium o Copilot. Speak Mode corre en tu lado de la llamada, no en la infraestructura del anfitrión.

Pruébalo

Speak Mode está disponible ahora mismo para los suscriptores de Pro. Si eres nuevo en Gaavala, empieza con la prueba gratuita única — 5 minutos de transcripción, sin tarjeta de crédito — para evaluar primero la experiencia de traducción entrante. Speak Mode no está incluido en la prueba gratuita; pasa a Pro ($19.99/mes, sin periodo de prueba) cuando quieras desbloquearlo en el lado saliente.

Añade Gaavala a Chrome →

Instala Gaavala gratis desde la Chrome Web Store y luego pasa a Pro para desbloquear Speak Mode.