¿Imaginas tener un asistente disponible 24/7 en Telegram que pueda escuchar tus ideas en audio y entender tus textos? En este artículo te voy a enseñar paso a paso cómo construir un agente de IA potente, capaz de procesar tanto voz como texto, usando herramientas de automatización sin código. Vamos a montar algo que funcione de verdad.

Por qué un agente que entienda voz es un cambio radical (y no es magia)

¿Qué pasa cuando tienes una idea pero no tienes las manos libres para escribirla? La mayoría de chatbots son bobos: solo entienden texto escrito. Tu cerebro no siempre funciona así, ¿vale? A veces piensas hablando, y tener que detenerte para teclear rompe el flujo. La gracia de un asistente real es que se adapte a ti, no al revés.

Del chatbot básico al asistente conversacional

Un bot que solo responde a comandos de texto está bien para cosas simples. Pero un agente de IA es otra cosa. Tiene memoria, contexto y ahora, con lo que vamos a hacer, la capacidad de escuchar. Esto ya no es un simple autómate; es una herramienta que puede sostener una conversación real, entender matices y aprender de lo que le dices, tanto si se lo susurras como si se lo gritas a tu teléfono.

El ‘superpoder’ de procesar audio sin salir de Telegram

Aquí está el truco: la API de bots de Telegram es súper potente y puede manejar muchos tipos de mensajes, incluidos los archivos de voz. No tienes que salir de la app para usar otra herramienta de transcripción. El agente vive dentro de tu chat, recibe el audio directamente, lo convierte a texto y lo procesa, todo en un flujo automático. Esto es lo que lo hace útil de verdad: la conversación fluye natural, como si le estuvieras hablando a una persona. Bueno, a una persona que no se cansa nunca y que sabe un montón de lo que tú le digas que sepa.

Los cimientos: configurando el trigger de Telegram en N8N

Vamos a lo práctico. Para que tu agente cobre vida, necesita un punto de entrada, un lugar donde «escuchar» los mensajes. En N8N, eso se hace con un nodo Trigger.

Creando el bot y obteniendo el token

Lo primero, necesitas un bot de Telegram. Si ya sabes cómo se hace, genial. Si no, tengo un vídeo en el canal donde lo explico paso a paso. Básicamente, hablas con @BotFather en Telegram, le das un nombre a tu bot y él te da un token. Ese token es una cadena de texto única que se parece a algo así: 123456:ABC-DEF1234ghIkl1-zyx57W2v1u123ew11. Es la llave para que N8N pueda hablar con tu bot.

Conectando N8N con el webhook de Telegram

Una vez tienes el token, el proceso en N8N es sencillo:

  1. Busca y añade el nodo «Telegram Trigger» a tu workflow.
  2. Conecta tus credenciales de Telegram (es donde pegarás el token).
  3. Configura el trigger para que escuche el evento «message». Esto significa que se activará cada vez que alguien (en este caso, tú) le envíe un mensaje al bot.
  4. Lo más importante: activa el webhook. El webhook es como un número de teléfono que N8N le da a Telegram. Cuando le llega un mensaje a tu bot, Telegram «llama» a ese número (envía los datos a una URL de N8N) para decirle: «oye, te ha llegado algo». La documentación oficial de la API de bots de Telegram explica a fondo cómo funcionan los webhooks, pero con N8N se hace automáticamente. Solo tienes que asegurarte de que el trigger está activado y tu instancia de N8N es accesible desde internet.

Con esto ya tienes el oído de tu agente. Ahora necesita un cerebro para decidir qué hacer con lo que oye.

El cerebro del flujo: el nodo Switch que decide entre texto y voz

¿Cómo sabe el flujo si lo que ha llegado es un texto o un audio? No puede adivinarlo. Tienes que enseñarle a distinguirlo, y para eso usamos un nodo Switch. Piensa en él como un guardia de tráfico en una bifurcación que mira el tipo de mensaje y lo manda por un lado u otro.

Cómo detectar si un mensaje es texto o un archivo de audio

Cuando un mensaje pasa por el trigger de Telegram, N8N recibe un montón de datos. La clave está en dos campos: si es un texto, lo encontrarás en text o message.text. Si es un audio, estará en voice. El trabajo del Switch es mirar qué campo está lleno y actuar en consecuencia.

El truco clave: fijarse en los iconos de tipo de dato (AB, cajita, almohadilla)

Aquí viene un error que cometí yo la primera vez y que te puede sacar de quicio. Cuando arrastras el campo voice desde el trigger hasta la regla del Switch, no siempre funciona a la primera. ¿Por qué? Porque tienes que fijarte en los iconos.

En N8N, cada tipo de dato tiene un icono: – AB: Texto. – Cajita: Objeto (un conjunto de datos). – Almohadilla (#): Número.

Cuando recibes un audio, el campo voice no es un texto (AB), es un objeto (una cajita). Ese objeto contiene dentro datos como la duración, el file_id, etc. Si intentas compararlo como si fuera texto, el nodo se pondrá rojo y dará error. El truco es crear la regla y, en el desplegable de tipos de datos, seleccionar «Object» (Objeto) y luego la condición «Exists» (Existe). Así le estás diciendo: «si existe un objeto en el campo voice, sigue por aquí». Lo mismo para el texto: selecciona «String» (Cadena de texto) y «Exists».

Creando las dos rutas: ‘texto’ y ‘audio’

Una vez configuradas las reglas, renombra las salidas del Switch para no liarte. Una la llamas «texto» y la otra «audio» (o «voz»). Ahora ya tienes el flujo dividido: los mensajes de texto irán por un camino y los audios por otro. El siguiente paso es preparar la materia prima para la IA.

Procesando la voz: de un ‘file_id’ en Telegram a texto para la IA

Un audio no le sirve de nada directamente a un modelo de lenguaje como GPT. Necesitamos convertirlo a texto. Este proceso tiene dos pasos claros: descargar el archivo y luego transcribirlo.

Descargando el audio: el nodo ‘Get File’ de Telegram

Telegram no te envía el archivo de audio directamente en el mensaje inicial. Te envía un file_id, que es como un número de ticket para recogerlo. Para descargarlo, necesitas usar otro nodo de Telegram, el «Get File». 1. Añade el nodo «Telegram Get File» a la rama de audio de tu Switch. 2. En la configuración, tienes que mapear el campo file_id que viene dentro del objeto voice. Arrástralo desde los datos del trigger hasta el campo correspondiente del nodo. 3. Al ejecutarse, este nodo irá a los servidores de Telegram, usará el file_id para pedir el archivo real y lo descargará a tu flujo de trabajo. El resultado será un objeto con el audio listo para usar.

Transcribiendo con OpenAI Whisper: configuración y costes

Con el audio descargado, toca la transcripción. Para esto, la opción más robusta es usar la API de Whisper de OpenAI. Whisper es un modelo de reconocimiento de voz automático (ASR) de última generación y está disponible directamente dentro de los nodos de IA de N8N.

  1. Busca y añade el nodo «OpenAI Audio Transcription» (o similar, depende de la versión de N8N).
  2. Conecta tus credenciales de OpenAI.
  3. En el campo de audio, arrastra el archivo que descargó el nodo anterior.
  4. Elige el modelo Whisper (normalmente whisper-1). No necesitas configurar mucho más.

¿Y el coste? Aquí es donde muchos se asustan, pero te lo digo claro: Whisper es muy barato. A día de hoy, transcribir un audio de 1 minuto cuesta unos 0,006 dólares, según la página de precios de OpenAI. Un audio de 10 minutos serían unos 6 céntimos. Comparado con el valor de tener un asistente que entienda tu voz, es casi insignificante.

La salida de este nodo será un texto limpio, la transcripción de tu audio. ¡Ya está! Ahora este texto y el texto que llegó directamente por la otra rama están listos para alimentar al cerebro del agente.

El núcleo de inteligencia: configurando el AI Agent con tu prompt personalizado

Aquí es donde le das personalidad y conocimiento a tu creación. El agente de IA es el nodo que recibe el texto (ya sea escrito o transcrito), lo procesa con un modelo grande de lenguaje y genera una respuesta inteligente.

Eligiendo el modelo (GPT-4, GPT-3.5-Turbo)

En N8N tienes varias opciones. En mi caso, para el agente del vídeo usé GPT-4, que puedes utilizar como núcleo de un agente conversacional según su documentación oficial. Es el más potente y coherente. Sin embargo, también puedes usar gpt-4-turbo o incluso gpt-3.5-turbo si quieres ahorrar costes y la tarea no requiere una gran complejidad. Yo para cosas serias recomiendo un modelo de la familia GPT-4. La diferencia en calidad de respuesta se nota.

Definiendo el sistema prompt: de experto en N8N a poeta o asesor

Esto es lo más importante y lo que hace único a tu agente. El «system prompt» es el manual de instrucciones que le das. En mi prueba, el prompt era: «Eres un experto en N8N y me ayudas a mí, Omar, a crear tutoriales para YouTube».

Pero aquí está la magia: esto lo cambias por lo que quieras. ¿Quieres un coach personal? Se lo pones: «Eres un coach motivacional especializado en productividad para emprendedores digitales.» ¿Quieres un generador de ideas para tu blog? «Eres un editor creativo con 10 años de experiencia en marketing de contenidos.» ¿Un tutor de historia? «Eres un profesor de historia apasionado que explica conceptos complejos con ejemplos simples y anécdotas.» El agente adoptará ese rol y conversará contigo desde esa perspectiva. Es increíblemente flexible.

Añadiendo memoria para conversaciones coherentes

Sin memoria, cada mensaje sería un universo nuevo. El agente no recordaría lo que le dijiste antes. Para solucionarlo, el nodo AI Agent en N8N permite añadir un módulo de memoria. La opción más simple es una «Simple Memory». Esto le dice al agente que guarde el contexto de la conversación en una «memoria» que persiste durante el chat.

Configurarla tiene su truco, porque normalmente espera un «Chat Trigger», pero nosotros estamos usando un trigger de Telegram. Tienes que ir a la configuración avanzada de la memoria y, en lugar de usar un trigger por defecto, definir manualmente una clave de sesión. Esta clave puede ser algo como el chat.id de Telegram, así la memoria estará vinculada a esa conversación específica. Es un paso clave para que el asistente se sienta verdaderamente conversacional.

Uniendo todas las piezas: el flujo completo y cómo probarlo

Ya tenemos todos los componentes. Ahora toca conectarlos y asegurarnos de que funcionan. El flujo final debería verse así:

  1. Telegram Trigger → Recibe el mensaje.
  2. Switch → Lo dirige por la rama «texto» o «audio».
  3. Rama Texto: Un nodo «Set» (o «Edit Fields») para asegurar que el dato que llega al agente tiene un nombre consistente (ej: texto_para_ia).
  4. Rama Audio: Telegram Get File → OpenAI Transcription → Otro nodo «Set» para darle a la transcripción el mismo nombre de campo que al texto (texto_para_ia). ¡Esta uniformidad es vital!
  5. AI Agent: Recibe el campo texto_para_ia, ya sea texto original o transcripción. Está configurado con tu modelo (GPT-4), tu system prompt personalizado y la memoria simple.
  6. Telegram Send Message: Finalmente, toma la respuesta generada por el agente y el chat.id del trigger original, y envía la respuesta de vuelta al usuario en Telegram.

Probando con texto y audio

La prueba es sencilla pero crítica: – Texto: Escribe un simple «Hola» a tu bot. Debería responder acorde a su personalidad (un saludo cordial si es un asistente, por ejemplo). – Audio: Grábate diciendo algo más complejo. En mi caso, le pregunté: «¿Podrías ayudarme a crear un agente de inteligencia artificial para N8N utilizando Telegram?». El flujo descargó el audio, lo transcribió, el agente (que estaba configurado como experto en N8N) procesó la pregunta y me devolvió una guía paso a paso detallada por el chat. Ahí supe que iba bien.

Depurando errores comunes

El error más común ya te lo adelanté: el tipo de dato en el Switch. Si tu rama de audio no funciona, revisa que en la regla estés comparando que existe un «Object» en voice, no un «String». Otro error frecuente es que la variable que llega al agente desde la rama de texto y desde la rama de audio se llamen distinto. Ambas deben llamarse igual (ej: texto_para_ia) para que el nodo AI Agent reciba siempre el mismo tipo de input, sin importar la fuente.

Más allá de este ejemplo: aplicaciones reales que puedes construir ya

¿Y esto para qué sirve, además de para impresionar a tus amigos? Para mucho. La estructura base que ya tienes – trigger, discriminación texto/audio, transcripción, agente con personalización – es como un motor que puedes acoplar a distintos vehículos.

  • Asistente de atención al cliente 24/7: Configúralo con el conocimiento de tu producto o servicio, FAQs, políticas de devolución. Los clientes pueden escribir o hablar sus dudas a cualquier hora y recibir respuestas inmediatas y coherentes, liberando a tu equipo humano para tareas más complejas.
  • Coach personal o tutor educativo: Imagina un tutor de matemáticas o idiomas al que el estudiante puede explicarle un problema en su propio lenguaje (literalmente) y recibir explicaciones adaptadas a su nivel. La memoria permite que la conversación evolucione y se profundice.
  • Generador de ideas y contenido: ¿Eres creador de contenido? Habla tus ideas al bot mientras paseas o conduces. Un prompt como «Eres un scriptwriter para YouTube especializado en vídeos de tecnología» puede transformar tu lluvia de ideas en un guión estructurado al instante.
  • Resumidor de reuniones o notas de voz largas: Grábate resumiendo los puntos clave de una reunión o dictando una nota extensa. Pídele al agente (configurado como «Eres un asistente ejecutivo que resume textos en puntos clave») que te devuelva un resumen conciso y organizado.

El límite está en cómo definas el prompt del sistema. La parte técnica, la que más miedo da, ya la tienes resuelta.

Limitaciones, costes y próximos pasos

Nada es perfecto, y ser honesto con las limitaciones es lo que separa un tutorial real de uno que vende humo.

Cuánto cuesta realmente mantenerlo (API de OpenAI + hosting de N8N)

Te lo voy a desglosar, que es lo que la gente quiere saber rápido: – OpenAI: Depende del uso. La transcripción con Whisper es baratísima (centimos). El modelo de chat (GPT-4) es más caro. Un agente conversacional con un uso moderado (digamos, 100-200 mensajes diarios) podría costarte entre 5 y 20 euros al mes, según los precios de OpenAI. Tienes que monitorizarlo al principio. – Hosting de N8N: Si usas la versión autohospedable y de código abierto de N8N, tu coste principal es el servidor donde lo alojes. Una VPS pequeña puede costar entre 5 y 10 euros al mes. Si no quieres complicaciones, N8N también tiene un plan cloud gestionado, que empieza en unos 20 euros al mes.

En total, por unos 15-40 euros/mes puedes tener un agente de IA profesional y privado funcionando. No es gratis, pero comparado con el coste de un empleado o de soluciones SaaS empresariales cerradas, es irrisorio.

Errores que cometí y cómo los solucioné

Ya te conté el del tipo de dato en el Switch. Otro error fue no uniformizar el nombre del campo de entrada para el agente. Si por un lado le llegaba message y por otro transcription, el agente solo funcionaba con uno. La solución fue usar el nodo «Set» en ambas ramas para crear un nuevo campo común, por ejemplo input_del_usuario, y apuntar el agente a ese campo. Es un paso sencillo que evita horas de debugging.

Cómo escalar la idea

Este agente básico habla contigo (o con quien tenga el enlace del bot). Para hacerlo más robusto: – Validación de usuarios: Puedes añadir una base de datos simple y un nodo de comprobación al inicio para que solo responda a usuarios autorizados (por ejemplo, clientes que hayan pagado una suscripción). – Procesamiento de imágenes: La misma lógica del Switch se puede extender. ¿Y si el mensaje tiene una foto? Puedes añadir una rama que use la API de visión de GPT-4 para describirla o extraer texto. – Rate Limiting: Para evitar abusos, N8N permite limitar el número de ejecuciones por usuario o por tiempo.

Lo bonito de esto es que el núcleo ya funciona. Ahora puedes empezar a añadir capas de complejidad según tus necesidades exactas.

Si has llegado hasta aquí, ya ves que no es magia, es montar piezas. Piezas potentes, pero piezas al fin y al cabo. La parte más valiosa no es el flujo de N8N, que puedes copiar, sino entender que tienes en tus manos la capacidad de crear asistentes a tu medida, sin escribir una línea de código.

¿Te animas a construir el tuyo? Si te atascas en algún paso o quieres compartir qué tipo de agente has creado, déjamelo en los comentarios del vídeo original. Y si quieres seguir aprendiendo a exprimir herramientas como N8N para automatizar tu trabajo o tu negocio, suscríbete al canal. Ahí subo todo esto en vídeo, sin cortes y sin rollos, para que lo puedas aplicar desde ya.

Herramientas y recursos que menciono

Algunos de estos enlaces son de afiliado: si compras a través de ellos me llevo una pequeña comisión, sin coste extra para ti.