LiveKit

LiveKit es una plataforma de infraestructura de comunicación en tiempo real de código abierto y un framework de agentes de IA creado por Russ d'Sa y David Zhao, quienes fundaron la empresa en 2021. Impulsa la infraestructura de voz detrás del Modo de Voz de ChatGPT de OpenAI, y es utilizado en producción por Tesla, Salesforce Agentforce, xAI y operadores de servicios de emergencia. En enero de 2026, LiveKit recaudó $100 millones con una valoración de $1 mil millones, liderada por Index Ventures, consolidando su posición como la capa de infraestructura preferida para implementaciones empresariales de IA de voz a gran escala.

La plataforma ofrece dos productos conectados: un servidor multimedia Selective Forwarding Unit (SFU) basado en Go con licencia Apache 2.0 (18.5K estrellas en GitHub), y LiveKit Agents, un framework en Python y Node.js para crear agentes de IA de voz en tiempo real (10.3K estrellas, 3.1K bifurcaciones, versión 1.5.7 a partir de abril de 2026). Agents soporta el flujo completo STT-LLM-TTS con integraciones nativas para OpenAI GPT-4o y la Realtime API, conversión de voz a texto de Deepgram, TTS de Cartesia, Google Gemini Live con visión y detección de actividad de voz de Silero. La detección semántica de turnos, el soporte para herramientas del Model Context Protocol (MCP), la telefonía SIP y una plataforma integrada de observabilidad de agentes completan el conjunto de características de producción.

Lo que LiveKit realmente hace en mayo de 2026

El servidor de LiveKit maneja el enrutamiento de audio y video en tiempo real utilizando una arquitectura SFU: los emisores envían un flujo multimedia codificado al servidor, que lo reenvía a los suscriptores sin volver a codificarlo, manteniendo bajo el ancho de banda de subida y minimizando la latencia. El servidor es escalable horizontalmente, utiliza Redis para el enrutamiento de igual a igual entre nodos, y puede ejecutarse en un solo VPS o en cientos de nodos con una configuración idéntica. La capa de agentes se sitúa sobre este transporte, conectando los modelos de IA a los flujos WebRTC.

El framework LiveKit Agents define un flujo estándar que maneja la detección de actividad de voz, la transcripción, el razonamiento del LLM y la reproducción de texto a voz. La detección semántica de turnos, introducida en 2025, utiliza un clasificador basado en transformadores para decidir cuándo un usuario ha terminado de hablar en lugar de depender únicamente de la duración del silencio. Esto reduce significativamente las falsas interrupciones en entornos ruidosos o cuando los usuarios hacen pausas a mitad de una frase. El anuncio de la asociación con OpenAI en octubre de 2024, escrito por d'Sa y publicado el 3 de octubre de 2024, reveló la Multimodal Agent API con soporte integrado para la Realtime API de OpenAI, ofreciendo aproximadamente 300ms de latencia de audio bidireccional y sincronización automática de transcripciones durante la reproducción. Los desarrolladores pudieron, por primera vez, crear aplicaciones con exactamente la misma infraestructura de voz que ChatGPT utiliza internamente.

Más allá de la voz, la plataforma soporta casos de uso de IA física. La implementación de Tesla abarca contextos de ventas, asistencia en carretera, seguros y soporte donde un vehículo o instalación necesita transmitir audio de forma bidireccional a un agente alojado en la nube. El SFU maneja el enrutamiento multimedia de bajo nivel; el framework Agents maneja la lógica de la conversación.

"La flexibilidad y el rendimiento de LiveKit han sido fundamentales para ofrecer experiencias de voz confiables y de baja latencia." - Thomas Cornelius, Product Hunt, mayo de 2025

Dónde se sitúa LiveKit frente a Pipecat y Daily

Pipecat es el competidor arquitectónico más cercano. Creado por el equipo de Daily y de código abierto en Python, Pipecat utiliza un modelo de flujo basado en tramas: las tramas de audio fluyen a través de etapas ordenadas, desde el transporte hasta el STT, el LLM, el TTS y de vuelta. Esta abstracción lo hace intuitivo para los desarrolladores que piensan en flujos de trabajo y desean integrar o retirar servicios de IA fácilmente. Pipecat es, en principio, agnóstico al transporte y técnicamente puede conectarse a una sala de LiveKit o a otro backend WebRTC, pero su emparejamiento nativo es la infraestructura gestionada de Daily. La contrapartida es la verbosidad: Pipecat requiere más cableado manual, más configuración de credenciales en el código y más decisiones sobre el orden del flujo. LiveKit Agents proporciona una API más limpia con menos código repetitivo para los equipos que priorizan WebRTC, mientras que el modelo de tramas de Pipecat se adapta mejor a los desarrolladores que desean un control detallado sobre cómo fluye el audio entre los servicios.

Daily es la empresa detrás de Pipecat y opera su propia infraestructura WebRTC gestionada y de código cerrado con más de 75 puntos de presencia globales y un retraso medio en el primer salto de 13ms. El diferenciador de Daily es su superficie preconstruida: componentes de interfaz de usuario listos para usar, salas de grupos, transcripción, grabación y chat. Los equipos que desean lanzar un producto de video rápidamente sin gestionar la infraestructura multimedia a menudo elegirán Daily. El diferenciador de LiveKit es la propiedad: el servidor Apache 2.0 puede autoalojarse en cualquier hardware, modificarse libremente y auditarse por completo. Daily no tiene un equivalente autoalojado. Para los equipos donde la voz es el producto y no una característica adicional, y especialmente para los equipos con requisitos de cumplimiento como HIPAA o mandatos de residencia de datos, la opción de autoalojamiento de LiveKit es una ventaja decisiva que Daily no puede igualar.

Dónde se sitúan Vapi y Retell AI en este panorama: ambas son plataformas de agentes de voz totalmente gestionadas que abstraen toda la capa de infraestructura. Son más rápidas para empezar y no requieren gestión de servidores, pero ceden el control del enrutamiento multimedia, el enrutamiento de modelos y el flujo de datos a un SaaS de terceros. LiveKit es la elección cuando el margen, el cumplimiento, los SLA de latencia o la integración profunda importan más que el tiempo hasta la primera llamada.

"El streaming WebRTC es realmente difícil y LiveKit proporciona una excelente solución gestionada y amigable para los desarrolladores." - Awais Shafique, Product Hunt, mayo de 2025

Cómo es realmente el ciclo de desarrollo de agentes

Un proyecto estándar de LiveKit Agents comienza con un proceso worker en Python que se conecta a una instancia del servidor LiveKit, ya sea autoalojada o en LiveKit Cloud. El worker escucha las salas entrantes o despachos, generando una instancia de agente por sesión. La lógica del agente se define como una clase con ganchos de ciclo de vida para on_enter, on_message y on_exit. Las integraciones de modelos se añaden a través de paquetes de plugins: pip install "livekit-agents[openai,silero,deepgram,cartesia,turn-detector]~=1.4" cubre la pila de producción más común.

Para casos de uso de telefonía, la pila SIP de LiveKit maneja las llamadas PSTN entrantes y salientes a través de una capa de configuración, conectando las llamadas telefónicas al mismo flujo del agente sin código adicional. La plataforma de observabilidad de agentes introducida a finales de 2025 proporciona vistas de línea de tiempo por sesión, eventos de detección de turnos y registros de llamadas a modelos, lo que hace que la depuración en producción sea manejable sin tener que construir una infraestructura de registro personalizada.

Las pruebas son una inversión notable en el framework: las herramientas de prueba integradas incluyen la simulación de funciones a nivel unitario, la simulación de escenarios y un sistema de validación basado en jueces que utiliza un LLM para evaluar si las respuestas del agente cumplieron con la intención de un caso de prueba. Esto es sustancialmente más sofisticado que los ganchos básicos de CI disponibles en Pipecat o las pruebas manuales que la mayoría de los equipos realizan con agentes alojados en Vapi.

Para quién está diseñado LiveKit

LiveKit es infraestructura para ingenieros backend que desean ser dueños de su pila tecnológica. El equipo adecuado para LiveKit cuenta con un desarrollador de Python o Node.js que se siente cómodo leyendo la documentación de WebRTC, una configuración DevOps capaz de ejecutar un binario de Go o un contenedor Docker (para autoalojamiento), y un producto con la voz como característica principal en lugar de un complemento opcional.

Los ajustes específicos incluyen la automatización de atención al cliente donde el volumen de llamadas justifica la optimización de costos por minuto sobre los márgenes de las plataformas gestionadas; aplicaciones de salud y legales que requieren cumplimiento de HIPAA y residencia de datos que no pueden delegarse a un SaaS de terceros; robótica y productos de IA física que necesitan transmisión multimedia bidireccional con saltos intermediarios mínimos; y herramientas para desarrolladores y asistentes de codificación que necesitan emparejar la voz con flujos de uso de herramientas a través de MCP. Empresas como ElevenLabs y los usuarios de Whisper a menudo aparecen juntos en las pilas de implementación de LiveKit, alimentando su salida TTS o STT a través del flujo del agente.

Spotify, Meta, Microsoft, Character AI, Speak y Fanatics son nombrados como clientes en los materiales públicos de LiveKit, abarcando casos de uso que van desde sesiones de escucha de música hasta funciones de redes sociales y plataformas de interacción con los fans.

La Serie C de enero de 2026 también reveló un segmento emergente de IA física: Tesla utiliza LiveKit para interacciones de voz en ventas, soporte, seguros y asistencia en carretera. Ese patrón de implementación, un vehículo o dispositivo que transmite audio en tiempo real a un agente alojado en la nube, es distinto de la típica llamada de navegador a nube y representa una categoría que la mayoría de las plataformas gestionadas no abordan en absoluto. La arquitectura SFU de LiveKit, que enruta los medios sin volver a codificarlos, mantiene la latencia de ida y vuelta lo suficientemente baja para implementaciones en vehículos donde unos cientos de milisegundos adicionales harían que la experiencia se sintiera defectuosa.

Lo que LiveKit no es

LiveKit no ofrece una interfaz sin código (no-code) o de bajo código (low-code). No hay un constructor de agentes de arrastrar y soltar, ni una interfaz de usuario para el aprovisionamiento de números de teléfono, ni un panel de análisis de llamadas al estilo de los productos de Vapi o Retell. Cada integración requiere código.

No es una solución para el procesamiento de audio por lotes. Toda la plataforma está construida en torno al streaming en tiempo real; si el flujo de trabajo no involucra a dos partes en una sesión en vivo, LiveKit no tiene cabida en él.

No es un reemplazo directo de Daily si su producto depende de componentes de interfaz de usuario de videollamadas preconstruidos, controles para compartir pantalla o chat durante la llamada. LiveKit proporciona la infraestructura multimedia; la capa de interfaz es responsabilidad del desarrollador. La distinción importa en la práctica: un equipo que construye un producto similar a Zoom encontrará que Daily se lanza más rápido porque Daily incluye las primitivas de la interfaz de usuario. Un equipo que construye un producto de atención al cliente centrado en la voz sobre su propia aplicación web encontrará que LiveKit se adapta mejor porque no necesitan los componentes de interfaz empaquetados de Daily y no quieren pagar por ellos.

LiveKit tampoco es adecuado para equipos cuya principal preocupación es el costo de ejecución en volúmenes de llamadas pequeños. A baja escala, el costo adicional por minuto de plataformas gestionadas como Vapi es insignificante, y el tiempo de ingeniería ahorrado al no gestionar la infraestructura WebRTC supera con creces la diferencia de costos. La opción de autoalojamiento hace que ejecutar LiveKit sea genuinamente gratuito, pero la infraestructura "gratuita" aún requiere ingenieros para mantenerla. La economía solo favorece claramente a LiveKit una vez que un equipo tiene suficiente volumen de llamadas como para que los márgenes del SaaS por minuto se conviertan en un gasto que valga la pena optimizar, típicamente por encima de los 50,000 minutos al mes, lo que se alinea aproximadamente con el umbral del nivel Scale del propio LiveKit.

Omita LiveKit para prototipos rápidos. Si el objetivo es probar un concepto de agente de voz en un fin de semana, Vapi o Retell producirán un número de teléfono funcional y un flujo de llamadas en menos de una hora. La configuración de LiveKit, incluso utilizando la opción alojada en la nube, asume familiaridad con los conceptos de WebRTC, la programación asíncrona en Python y la depuración de sistemas distribuidos. Sin embargo, los desarrolladores que superan esa curva de aprendizaje con frecuencia señalan que adquieren suficiente comprensión de bajo nivel como para que LiveKit sea difícil de abandonar: como dijo un comentarista de HackerNews, una vez que conoces LiveKit lo suficientemente bien, "sabes más de lo que es saludable" sobre el funcionamiento interno de WebRTC, lo que te hace más propenso a crear tu propia solución la próxima vez. Esa observación se lee como una crítica, pero también es evidencia de que LiveKit tiene éxito en enseñar la infraestructura subyacente a los ingenieros que se comprometen seriamente con ella.