Como construir um agente de Voice AI

Arquitetura de um Voice AI

Um agente de voz tem três camadas principais que precisam funcionar em sequência e com baixa latência:

• STT (Speech-to-Text): converte a fala do usuário em texto
• LLM + ferramentas: processa o texto, raciocina e gera a resposta
• TTS (Text-to-Speech): converte a resposta em voz natural
• Integração de telefonia: SIP, WebRTC ou WhatsApp para o canal de voz

Latência: o maior desafio

Em voz, latência acima de 1,5 segundos quebra a experiência. O usuário percebe a pausa e a conversa fica artificial. Para atingir latência baixa, use modelos STT e TTS otimizados para velocidade (não apenas qualidade) e processe em streaming — não espere o áudio completo para começar a processar.

• STT em streaming: processa enquanto o usuário fala
• LLM com resposta rápida: modelos menores e mais rápidos para casos simples
• TTS com início imediato: começa a falar antes de gerar o áudio completo
• Infraestrutura próxima ao usuário: latência de rede importa

Integração com telefonia

Para atendimento telefônico, a integração é via SIP (protocolo de telefonia VoIP) ou WebRTC (para web e apps). Provedores como Twilio, Vonage e operadoras locais oferecem APIs para receber e fazer chamadas programaticamente.

Casos de uso com maior retorno

• Atendimento receptivo: triagem, consultas e resolução sem humano
• Cobrança ativa: ligações automáticas com negociação
• Agendamento: marcar e confirmar compromissos por voz
• Suporte técnico: diagnóstico e resolução guiada
• Pesquisa de satisfação: NPS e feedback por voz

Erros comuns

• Ignorar latência e usar modelos lentos
• Não ter handoff para humano quando o agente não resolve
• Voz robótica que quebra a confiança do usuário
• Não testar com ruído de fundo e sotaques variados
• Lançar sem monitoramento de chamadas e taxa de resolução

Próximos passos

Defina o caso de uso, o canal (telefone, WhatsApp, web) e a latência máxima aceitável. Esses três parâmetros definem a arquitetura e os componentes certos.