O maior estudo sobre IA no atendimento já feito no Brasil.O maior estudo de IA no atendimento do país.Pré-inscrição abertaInscreva-se
Guia

Agente de voz no atendimento: como funciona e o que faz um bom projeto

As arquiteturas de um agente de voz, por que a latência decide a experiência, como lidar com turnos, interrupções, telefonia e português falado, e como medir se o agente está resolvendo.

Pedro CostaHead de GTM
Publicado em 8 min de leitura
Líder de operação de voz acompanha uma ligação com headset enquanto confere o fluxo de atendimento impresso

Um agente de voz é um agente de IA que atende por telefone ou por áudio: escuta o cliente, entende o pedido, consulta e age nos sistemas da empresa e responde falando. Na URA tradicional, o cliente escolhe opções num menu ou diz palavras-chave. O agente de voz conversa em linguagem natural, do jeito que o cliente fala.

Colocar um agente de voz em produção é mais difícil do que um agente de texto. Além do modelo de linguagem e do harness, entram reconhecimento e síntese de fala, controle de turnos de conversa, telefonia e o português falado, com sotaque, ruído e números ditados. Este guia mostra como cada parte funciona e o que separa um agente de voz que resolve de um que irrita o cliente.

As duas arquiteturas de um agente de voz

Existem dois jeitos de montar um agente de voz:

  • Encadeada: três etapas em sequência. O reconhecimento de fala (STT) transcreve o que o cliente disse, o modelo de linguagem decide o que fazer e escreve a resposta, e a síntese de voz (TTS) transforma o texto em fala.
  • Fala a fala: um único modelo recebe o áudio, entende, decide e já responde em áudio, sem passar por texto no meio.

Infográfico: arquitetura encadeada, com reconhecimento de fala, modelo de linguagem e síntese de voz em sequência, comparada à arquitetura fala a fala, com um único modelo do áudio de entrada ao áudio de saída

A documentação da OpenAI para agentes de voz recomenda o caminho encadeado quando a empresa quer inspecionar ou transformar o texto entre as etapas e trocar cada componente de forma independente. No atendimento, isso pesa: o texto intermediário permite aplicar regras, registrar a conversa, auditar o que o agente disse e escolher o melhor fornecedor para cada etapa. O modelo fala a fala tende a soar mais natural e a responder mais rápido, mas dá menos controle sobre o que acontece no meio.

Na prática, muitas operações combinam as duas coisas: um pipeline encadeado em que cada etapa trabalha em fluxo contínuo (streaming), sem esperar a anterior terminar por completo.

Latência: o tempo que o cliente percebe

Latência é o tempo entre o cliente parar de falar e o agente começar a responder. Numa conversa entre pessoas, o silêncio entre uma fala e outra é curto, e qualquer pausa longa soa como hesitação ou falha. Num agente de voz, esse tempo é a soma de várias etapas: detectar que o cliente terminou, transcrever, o modelo pensar, consultar um sistema, sintetizar a voz e transmitir o áudio pela rede telefônica.

O que mais reduz a latência percebida:

  • Streaming em todas as etapas. A transcrição sai enquanto o cliente fala, o modelo começa a escrever antes de terminar de pensar e a voz começa a ser sintetizada a partir da primeira frase pronta.
  • Separar quem fala de quem pensa. O modelo que conduz a conversa pode ser rápido, enquanto outro modelo, com mais capacidade de raciocínio, consulta sistemas e prepara a resposta. O agente avisa que está verificando, como um atendente faria, em vez de ficar em silêncio.
  • Modelo do tamanho da tarefa. Confirmar um dado ou cumprimentar não exige o modelo mais potente. Reservar o modelo maior para os passos difíceis reduz tempo e custo.
  • Infraestrutura perto do cliente. Processar a chamada em servidores no Brasil evita idas e voltas a outros continentes.
  • Integrações rápidas. Uma API lenta no sistema de pedidos vira silêncio na linha. Vale medir o tempo de cada consulta e preparar dados do cliente logo no início da chamada.

Turnos e interrupções

Conversa por voz tem regra de turno: cada um fala na sua vez, e as pessoas se interrompem o tempo todo. Um agente de voz precisa de três capacidades para lidar com isso:

  • Detecção de atividade de voz (VAD): identifica quando há fala e quando há silêncio no áudio do cliente.
  • Detecção de fim de turno: decide se o cliente terminou ou só fez uma pausa para pensar. A documentação da LiveKit descreve modelos que preveem o fim do turno pelo significado da fala e pelas propriedades acústicas, além do silêncio. Um agente que usa só o silêncio corta o cliente no meio de um número de CPF ou espera demais para responder.
  • Interrupção (barge-in): quando o cliente fala por cima, o agente para de falar e escuta. O desafio é separar uma interrupção real de um "aham" ou "sei" de quem só está acompanhando.

Infográfico: um turno de conversa em seis momentos, do cliente falando à detecção de fim de turno, transcrição, decisão do modelo, síntese de voz e possível interrupção do cliente

Telefonia: a parte que ninguém vê

Boa parte do trabalho de um agente de voz em produção está na telefonia. A linha da empresa costuma passar por operadora, URA, plataforma de contact center, discador e gravação, cada um com sua configuração. Os pontos que exigem decisão:

  • Onde o agente entra: no lugar da URA, como uma opção dentro dela ou depois de uma triagem. Em cobrança e outras operações ativas, o agente pode entrar na chamada por conferência com a plataforma que já disca e grava.
  • Transferência com contexto: quando passa a ligação para um atendente, o agente envia o resumo do caso para a tela dele. Transferir só o áudio obriga o cliente a repetir tudo.
  • Gravação e LGPD: o aviso de gravação, o tempo de guarda, quem acessa e onde o áudio é processado precisam estar definidos antes da primeira chamada.
  • Autenticação: confirmar a identidade do cliente por voz, com dados que ele sabe responder sem soletrar uma senha.
  • Qualidade da linha: chamada de celular em movimento, ruído de rua e áudio comprimido derrubam a qualidade da transcrição. O agente precisa ser testado nessas condições, além do ambiente silencioso do escritório.

Português brasileiro falado

Agentes de voz costumam funcionar melhor em inglês do que em português, porque a maior parte dos dados e dos testes dos fornecedores é em inglês. Em português brasileiro, alguns cuidados fazem diferença:

  • Números, datas e valores: CPF, protocolo, código de barras e valores em reais precisam ser transcritos e falados do jeito certo. Repetir o dado para o cliente confirmar evita erro em cadeia.
  • Pronúncia: nomes de produtos, siglas, marcas e palavras em inglês precisam de um dicionário de pronúncia na síntese de voz.
  • Sotaques e regionalismos: o reconhecimento de fala deve ser testado com clientes reais de várias regiões, além da equipe do projeto.
  • A voz do agente: a voz padrão do fornecedor pode soar artificial ou destoar da marca. A escolha da voz, do ritmo e do tom faz parte do projeto, com teste junto a clientes.

Fluxos determinísticos onde o erro custa caro

Um modelo de linguagem pode errar, e na voz o erro é mais difícil de perceber, porque não fica escrito na tela. Nos passos críticos, o agente segue um caminho controlado: faz perguntas fechadas, classifica a resposta do cliente (sim, não, dúvida, outro assunto), confirma antes de executar e consulta a base de conhecimento antes de afirmar qualquer coisa. Os guardrails definem o que o agente nunca faz por voz, como negociar fora da política ou confirmar uma operação sem a confirmação explícita do cliente.

Um harness para voz e texto

O mesmo agente pode atender por voz, WhatsApp e chat, reaproveitando integrações, regras e base de conhecimento. O comportamento muda por canal. Na voz, as respostas são curtas, sem listas, links ou tabelas, e o agente confirma mais vezes. No texto, ele pode enviar o boleto, o link ou o resumo. Manter um harness único com regras por canal evita que a empresa mantenha dois agentes diferentes que respondem coisas diferentes.

Arquitetura aberta também na voz

Reconhecimento de fala, modelo de linguagem e síntese de voz evoluem em ritmos diferentes, e o melhor fornecedor de cada etapa muda com o tempo. Na arquitetura encadeada, cada componente pode ser trocado sem refazer o agente: um reconhecimento de fala melhor para português, uma voz mais natural ou um modelo mais rápido. Plataformas que entregam as três etapas fechadas num pacote só simplificam o início, mas deixam a empresa presa às escolhas de um único fornecedor em latência, custo e qualidade. O guia sobre agentes de IA detalha essa comparação.

Como medir um agente de voz

Além das métricas de qualquer agente, como resolução, FCR, taxa de transferência, recontato e CSAT, a voz pede métricas próprias:

  • Tempo até a primeira palavra: quanto o cliente espera, depois de parar de falar, para ouvir a resposta.
  • Interrupções: quantas vezes o cliente precisou falar por cima do agente, e quantas vezes o agente cortou o cliente.
  • Repetições: quantas vezes o agente pediu para o cliente repetir, ou repetiu a mesma pergunta.
  • Abandono: em que momento da conversa o cliente desligou.
  • Erros de transcrição em dados críticos: CPF, valores e datas transcritos errado, conferidos por amostragem das gravações.

Por onde começar

Infográfico: checklist para colocar um agente de voz em produção, em quatro blocos: base e regras, telefonia, conversa em português e medição

  1. Escolha um motivo de ligação de alto volume e regra clara, como segunda via ou status de pedido.
  2. Organize a base de conhecimento e mapeie os sistemas e as regras de negócio que o agente precisa acessar.
  3. Defina onde o agente entra na telefonia e como transfere para o humano, com contexto.
  4. Escolha a voz e monte o dicionário de pronúncia, com teste em ligações reais e de várias regiões.
  5. Meça latência, interrupções, resolução e recontato desde a primeira semana, e amplie aos poucos.

Perguntas frequentes

Qual a diferença entre agente de voz e URA?

A URA tradicional funciona por menu: o cliente digita ou diz uma opção e segue um caminho fixo. O agente de voz conversa em linguagem natural, entende o pedido do jeito que o cliente fala e executa ações nos sistemas da empresa para resolver o caso.

O que é latência num agente de voz?

É o tempo entre o cliente parar de falar e o agente começar a responder. Ela soma a detecção do fim da fala, a transcrição, o modelo, as consultas a sistemas, a síntese de voz e a rede telefônica. Streaming em todas as etapas e modelos do tamanho certo para cada tarefa reduzem esse tempo.

O agente de voz funciona bem em português?

Funciona, mas exige mais cuidado do que em inglês. É preciso testar o reconhecimento de fala com sotaques de várias regiões, confirmar números ditados como CPF e valores e montar um dicionário de pronúncia para produtos, siglas e palavras estrangeiras.

O que acontece quando o cliente interrompe o agente?

O agente precisa parar de falar e escutar. Bons agentes separam uma interrupção real de um sinal de quem só está acompanhando, como um aham, e retomam a conversa a partir do que o cliente disse.

Arquitetura encadeada ou fala a fala: qual escolher?

A encadeada, com reconhecimento de fala, modelo de linguagem e síntese de voz em sequência, dá mais controle: o texto intermediário permite regras, registro e auditoria, e cada etapa pode trocar de fornecedor. A fala a fala tende a soar mais natural e rápida, com menos controle sobre o que acontece no meio.

Fontes

  1. OpenAI, Voice agents (documentação)
  2. LiveKit, Turns overview (documentação)
  3. Pipecat, Overview (documentação)
  • agentes de voz
  • agentes de IA
  • atendimento ao cliente
  • telefonia
  • CX

Mais em Guias

O que é um agente de IA no atendimento ao cliente

Como funciona um agente de IA numa central de atendimento, o que é o harness em volta do modelo, por que não depender de um único fornecedor e como saber se o agente está resolvendo o problema do cliente.