Agentes de IA de voz

O que está incluído no serviço de agentes de voz

Projetamos e montamos um agente de IA de voz que liga sozinho para a base e atende as chamadas recebidas segundo o seu roteiro. O trabalho inclui a escrita dos roteiros de diálogo e da lógica de ramificações, a seleção e a configuração dos motores de reconhecimento e síntese de fala, a conexão à telefonia via SIP e a integração com o seu CRM ou base de contatos. O próprio equipamento de comunicação, as linhas telefônicas e os servidores continuam sendo seus ou do provedor — nós escrevemos a parte de software, a configuramos para os seus números e canais e a levamos ao estado de produção. À parte, elaboramos o tratamento de falhas: o que o agente diz em uma chamada não atendida, em uma transferência para o operador ou diante de uma resposta não reconhecida. Como resultado, você recebe um circuito de voz configurado, com logs das conversas e métricas de alcance das chamadas, e não uma demonstração abstrata.

Como o agente ouve e fala

Na essência, o agente de voz é a combinação de quatro blocos que trabalham em tempo real. O som recebido da linha vai para o módulo de reconhecimento de fala (STT), que transforma as palavras do interlocutor em texto, em seguida o modelo de linguagem (LLM), pelo roteiro, decide o que responder, e a síntese de fala (TTS) vocaliza a resposta de volta na linha. Tudo isso passa pela telefonia SIP, que mantém a própria conexão e transmite o fluxo de áudio entre o interlocutor e o sistema. A latência do ciclo completo é crítica: se a resposta chega depois de um segundo e meio, a conversa soa como uma conversa com um robô, por isso os blocos são selecionados e configurados para a menor resposta possível. Montamos essa cadeia na infraestrutura do cliente ou do provedor e calibramos cada junção, em vez de simplesmente conectar serviços prontos a esmo.

De onde nasceu a tecnologia de fala

A síntese de fala por máquina é contada a partir do Voder — o dispositivo que Homer Dudley e sua equipe nos Bell Labs apresentaram na Feira Mundial de 1939; ele cresceu a partir dos trabalhos de Dudley sobre o vocoder, em andamento desde 1926. O reconhecimento veio depois: em 1952 os mesmos Bell Labs construíram o sistema Audrey, que distinguia dígitos pronunciados pelas formantes, e em 1962 a IBM apresentou o Shoebox, que entendia 16 palavras. Nos anos 1970, o programa da DARPA (1971–1976) levou ao sistema HARPY, da Universidade Carnegie Mellon, que em 1976 já reconhecia cerca de mil palavras graças ao algoritmo de busca em feixe. Essas máquinas iniciais trabalhavam com um vocabulário minúsculo, mas provaram que o computador é, em princípio, capaz tanto de ouvir quanto de falar. O agente de IA de voz moderno é a continuação direta dessa linha, só que o vocabulário e a qualidade cresceram em ordens de grandeza.

Por que quem decide é o software e a configuração

O hardware para a chamada está igualmente disponível para todos, e a diferença no resultado vem justamente da parte de software: o roteiro, a precisão do reconhecimento e a qualidade da voz. Se o STT confunde «sim» e «não» ou perde números, o agente leva a conversa para o lado errado, e nenhuma telefonia conserta isso — o erro nasce no software e na sua configuração para o seu vocabulário, sotaques e ruído na linha. A síntese também não é neutra: uma fala não natural ou entrecortada faz as pessoas desligarem nos primeiros segundos, por isso a voz é selecionada e ajustada à tarefa, e não definida por padrão. O roteiro deve cobrir os ramos reais da conversa, incluindo interrupções, pausas e respostas atípicas, caso contrário o agente quebra no primeiro diálogo real. Encaramos isso como um problema de engenharia: medimos a fração de reconhecimentos corretos e a taxa de conclusão da chamada, e não acreditamos em uma demonstração com voz limpa de estúdio.

Com quais ferramentas trabalhamos

O stack do agente de voz se constrói sobre quatro componentes, e cada um nós selecionamos conforme o idioma, o orçamento e a carga do cliente. O STT responde pela conversão da fala em texto e é configurado para os idiomas necessários, os termos do setor e a qualidade telefônica do som. O TTS sintetiza a resposta com uma voz que é escolhida conforme o público e verificada quanto à naturalidade e inteligibilidade na linha. A telefonia SIP conecta o agente a números e operadoras reais, garante o recebimento e a iniciação das chamadas e se acopla ao seu PABX ou provedor. A LLM mantém a lógica do diálogo sobre o roteiro — entende a intenção do interlocutor e formula respostas dentro das regras definidas. Os motores específicos em cada bloco são substituíveis, e escolhemos a combinação pela latência, pelo preço por minuto e pela precisão no seu material, e a infraestrutura configuramos do lado do cliente.

Quando surgiram os padrões-chave

O primeiro sistema completo de síntese de fala a partir de texto para o inglês foi montado pela equipe de Noriko Umeda no Laboratório Eletrotécnico do Japão em 1968. A virada comercial veio com o DECtalk, da Digital Equipment Corporation, em 1984 — foi justamente com a sua voz reconhecível que Stephen Hawking falou por muitos anos. A era das redes neurais na síntese começou em 2016 com o WaveNet, da DeepMind, que pela primeira vez gerava a onda sonora diretamente e definiu o patamar de naturalidade das vozes atuais; o reconhecimento passou às redes neurais antes, apoiando-se, entre outros, na LSTM de Hochreiter e Schmidhuber, de 1997. A base telefônica foi definida pelo protocolo SIP: a primeira versão saiu como RFC 2543 em 1999, e a edição em vigor, RFC 3261, em junho de 2002. Sobre essas datas de referência se apoia toda a telefonia de voz moderna com inteligência artificial.

Por que você pode confiar isso a nós

A experiência somada da nossa equipe de desenvolvimento em TI ultrapassa 45 anos, e o circuito de voz nós montamos como engenheiros, e não como vendedores de caixas prontas. Não produzimos hardware e dizemos isso com honestidade: as suas linhas e o seu equipamento continuam sendo seus, e a nossa zona de responsabilidade é o roteiro, o reconhecimento, a síntese, a integração SIP e a configuração para as suas chamadas reais. Antes da ida ao ar, o sistema passa por verificação em diálogos reais: medimos a precisão do reconhecimento, a taxa de conclusão da chamada e o comportamento do agente diante de respostas atípicas, e corrigimos antes que ele ligue para o primeiro cliente. Os logs e as métricas são abertos, então dá para ver onde o agente funciona e onde o roteiro precisa de ajustes. Essa abordagem elimina o principal risco de um agente de IA de voz — o lançamento às cegas, que derruba a conversão e a reputação já nas primeiras centenas de chamadas.