Modelos de interação: Construindo diálogos naturais entre humanos e IA

Quem já tentou interromper um agente de voz com IA no meio de uma frase sabe como é quando um sistema não foi criado para a conversa humana. O ritmo está errado, a voz parece desconectada do conteúdo e, mesmo quando a informação está correta, a interação soa estranha: não como falar com alguém que entende do assunto, mas como navegar por um software que, por acaso, usa palavras.

A causa dessa sensação artificial é estrutural: muitos sistemas de voz com IA foram criados para lidar com turnos, não com conversas. Eles escutam, processam e respondem a uma troca por vez. Isso funciona em demonstrações simples, mas deixa de funcionar quando a conversa se torna emocional e imprevisível.

Modelos de interação são sistemas de IA criados para se comunicar por áudio e texto em tempo real, percebendo não apenas o que é dito, mas quando é dito e qual resposta emocional o momento pede. Este artigo explica o que diferencia um modelo de interação, por que ele é importante para empresas que implementam voz IA e como a ElevenLabs está desenvolvendo essa tecnologia.

Resumo

• A maioria das soluções de voz IA falha em conversas reais porque não consegue lidar com interrupções, silêncio ou contexto que se mantém entre os turnos.
• A stack de interação da ElevenLabs foi criada para lidar com interrupções, pausas e falas simultâneas sem perder o contexto nem interromper o fluxo da conversa.
• A ElevenLabs está desenvolvendo modelos de interação reais com uma arquitetura avançada em cascata, Speech to Text (STT) e Text to Speech (TTS) desenvolvidos internamente, além de uma stack ajustada para baixa latência e conversas naturais de ida e volta.

Por que a maioria das comunicações por voz entre humanos e IA não parece natural

A maioria das soluções de voz IA trata uma conversa como uma série de entradas e saídas distintas: o sistema espera um trecho de fala, o converte em texto, processa esse texto e responde. Isso funciona em interações de comando e resposta, mas uma conversa real não é uma sequência organizada de trocas de texto. É uma troca contínua, cheia de pausas e interjeições. 

Remover o fluxo entre os turnos e o contexto que se mantém entre eles gera três falhas específicas:

• Ele interrompe você ou faz você esperar: O sistema não consegue diferenciar uma pausa para pensar de um turno concluído. Por isso, ele entra enquanto você ainda fala ou fica em silêncio depois que você para. Se você organiza seus pensamentos no meio da frase, é interrompido; se conclui seu ponto, espera em meio a um intervalo sem som.
• Ele não consegue reagir depois que começa a falar: No momento em que o sistema começa a responder, ele para de escutar. Se você o interrompe para mudar de assunto, ele continua dando a resposta para uma pergunta que você já deixou para trás, pois não consegue perceber que algo mudou.
• Ele esquece ao longo da conversa: Cada turno é processado isoladamente, então o contexto de cinco trocas anteriores não é mantido. Você acaba se repetindo, ou o sistema responde como se a conversa tivesse acabado de começar.

O resultado é uma conversa que pode estar funcionalmente correta e ainda assim parecer errada. 

O que os modelos de interação fazem que a voz IA tradicional não consegue fazer

Enquanto a voz IA tradicional lida com um turno por vez, um modelo de interação conduz a conversa inteira, acompanhando ao mesmo tempo o que está sendo dito e o que precisa acontecer em seguida. A diferença funcional é que um modelo de interação responde ao estado real da troca, e não apenas à entrada mais recente.

Os modelos de interação têm:

• Resposta em tempo real: O sistema foi criado para responder na velocidade de uma conversa, com um ciclo de ponta a ponta que pode levar menos de um segundo, dependendo da configuração.
• Gerenciamento natural de interrupções, silêncio e sobreposição de fala: Ele diferencia uma pausa para pensar de um turno concluído, para não interromper as pessoas nem deixar silêncios incômodos. E, quando o cliente fala por cima para redirecionar a conversa, ele gerencia a sobreposição sem perder o contexto ou comprometer a conversa.
• Continuidade em toda a troca: Em vez de redefinir o contexto a cada turno, o sistema mantém o histórico da conversa, para que o que ele diz no turno 10 reflita tudo o que aconteceu desde o primeiro turno.
• Entrega adaptável: A voz pode ser programada para mudar de tom — mais calmo, direto ou tranquilizador — dependendo do tipo de tarefa que está realizando.
• Execução paralela de tarefas: O sistema recupera informações, executa chamadas de ferramentas e continua falando ao mesmo tempo, em vez de ficar em silêncio enquanto procura algo.

O teste de um modelo de interação é uma ligação que não está indo bem. Na gravação abaixo, um cliente liga por causa do cancelamento de um voo. Ele está tenso e precisa resolver o problema rapidamente.

O agente identifica imediatamente a urgência e a frustração do cliente pelas palavras que ele usa. Ele ajusta o tom, lida com a interrupção sem perder o fio da conversa e usa as ferramentas conectadas para oferecer soluções reais para o voo cancelado. No fim, o cliente resolve a situação sem precisar de um agente humano.

Compare isso com os agentes típicos baseados em turnos usados hoje. Esses sistemas esperariam cada pausa, responderiam a partir de uma base neutra e não perceberiam a frustração do cliente. Depois de algumas trocas que não abordam o que a pessoa que ligou realmente está sentindo, provavelmente seria necessário transferir a ligação para um humano, deixando o cliente mais frustrado do que no início.

Como a ElevenLabs está desenvolvendo modelos de interação

Nosso pipeline de conversação usa uma arquitetura avançada em cascata em vez de uma arquitetura fusionada. Assim, em vez de um único modelo lidar com tudo, cada etapa tem seu próprio componente especializado.

A vantagem dessa abordagem é que podemos otimizar cada etapa do pipeline de forma independente, substituindo qualquer componente por um modelo melhor sem precisar reconstruir todo o sistema. Como desenvolvemos esses componentes internamente, eles são co-otimizados para transmitir contexto rico entre si, e não apenas dados. Isso significa que o pipeline continua se comportando como uma conversa coerente, em vez de uma cadeia de ferramentas separadas.

Estrutura do modelo em cascata

Estrutura do modelo fusionado

Imagens: modelos em cascata vs. fusionados

Veja as tecnologias que compõem atualmente o pipeline:

• Scribe v2 Realtime: Nosso modelo de STT desenvolvido internamente transcreve fala em cerca de 150 ms em mais de 90 idiomas, lidando bem com ruído de fundo, sotaques, interrupções e eventos não verbais, como risadas e pausas. Ele também foi criado para lidar com vocabulário específico de cada domínio, de termos médicos a jargões financeiros.
• Alternância especulativa de turnos: Esse sistema decide quando falar, pausar ou esperar, interpretando o fluxo da conversa em vez de depender de um limite rígido de silêncio. Melhorias no nosso modelo de detecção de atividade de voz ajudam a filtrar melhor a fala de fundo e respostas curtas, tornando a alternância de turnos mais natural.
• Eleven v3 Conversational: Um dos nossos modelos de TTS mais expressivos, criado para diálogos ao vivo de ida e volta. Ele mantém a temperatura emocional da conversa entre os turnos, para que a entrega do agente no turno 10 reflita tudo o que veio antes, não apenas a resposta mais recente.
• Expressive Mode: Baseado no Eleven v3 Conversational e no sistema de alternância de turnos, o Expressive Mode controla como o agente soa em cada momento. Ele reduz a tensão quando os clientes estão frustrados, tranquiliza quando estão confusos e é direto quando é preciso ter clareza. Ele também interpreta tags expressivas, para que o modelo possa agir com base em indicações como [laughs], [whispers] ou [sighs] e moldar momentos específicos da entrega.
• Flash v2.5: Nosso modelo de TTS de baixa latência oferece suporte a 32 idiomas e gera fala em menos de 75 ms. Quando a latência é prioridade, ele mantém o tempo de resposta dentro do ritmo natural de uma conversa humana.
• Speech Engine: A camada de conexão que integra toda a stack, conectando seu servidor à nossa ElevenAPI via WebSocket, com uma conexão por conversa. Nós cuidamos do STT e do TTS enquanto seu servidor executa o LLM, permitindo que as equipes técnicas usem seu próprio modelo e mantenham a lógica de conversação em sua própria infraestrutura.

Esses modelos são aprimorados constantemente, com novas versões lançadas regularmente. Cada lançamento reduz a diferença entre falar com um software e falar com uma pessoa, com respostas mais rápidas, reconhecimento emocional mais preciso, mais idiomas e uma entrega mais fluida.

Falar enquanto pensa

Nem todas as partes de um modelo de interação precisam ser executadas em uma sequência rígida. O ElevenAgents pode continuar trabalhando em segundo plano enquanto a conversa segue, em vez de recorrer ao silêncio entre uma pergunta e uma resposta. 

Alguns sistemas essenciais trabalham juntos para permitir falar e pensar ao mesmo tempo:

• Chamadas paralelas de ferramentas: O agente pode consultar um banco de dados, executar uma ferramenta ou verificar o status de um pedido enquanto ainda está falando, para que a busca de informações nunca pareça uma pausa sem vida na conversa. 
• Tempo limite suave: Se um LLM demora mais do que o esperado para gerar uma resposta, o agente diz uma frase breve de preenchimento, como “Deixe-me pensar” ou “hmmm”, em vez de deixar um silêncio constrangedor. Tempo limite suave ajuda a manter um fluxo natural de conversa e reduz a probabilidade de interrupções. 
• Termos para ignorar interrupções: Em vez de usar um limite fixo de silêncio, o sistema busca interpretar o significado do que está sendo dito para entender quando um turno realmente terminou. Da mesma forma, confirmações curtas como “ok” ou “uhum” podem ser configuradas para passar sem acionar uma interrupção completa, o que significa que o agente não perde o fio da conversa sempre que quem liga faz uma interjeição.

Juntos, esses sistemas evitam que o agente pareça estar carregando ou preparando uma resposta. Eles formam um mecanismo de conversação eficiente que preenche as lacunas naturalmente, como uma pessoa faria, enquanto processa informações e organiza pensamentos em segundo plano.

Como uma conversa realmente funciona com a ElevenLabs

Os componentes acima não são executados um após o outro em uma linha organizada. Eles se sobrepõem. Veja como um agente da ElevenLabs atenderia alguém que pergunta: “Meu pedido já foi enviado ou ainda está sendo processado?”, no meio de uma ligação de suporte.

1. A pessoa que ligou fala: O áudio é transmitido à ElevenLabs pela conexão WebSocket, e o Scribe começa a transcrever em tempo real, com cerca de 150 ms de atraso em relação à voz. 
2. O sistema interpreta o fluxo: Enquanto o Scribe ainda transcreve, a alternância especulativa de turnos já avalia se quem ligou terminou de falar ou ainda está pensando. O trecho final “ou ainda está sendo processado?” é interpretado como uma passagem de turno, não como uma pausa, então ele aciona a próxima etapa em vez de esperar em silêncio.
3. O LLM reúne o contexto e responde: A pergunta transcrita é enviada ao LLM junto com o histórico da conversa, o registro do pedido recuperado dos próprios sistemas da empresa por meio de RAG, as saídas de ferramentas usadas anteriormente na ligação e o prompt do sistema. Ele considera tudo isso e gera uma resposta baseada no pedido real da pessoa que ligou, não uma mensagem genérica de status.
4. O modelo de TTS sintetiza a resposta: O texto se transforma em áudio natural. Se o Expressive Mode estiver ativo, a resposta traz indicações de entrega adequadas ao momento, para que uma atualização rotineira soe simples e sem pressa, em vez de monótona. Quando a latência é prioridade, o Flash realiza a síntese em menos de 75 ms.
5. A resposta é transmitida de volta: O áudio começa a tocar antes de a síntese terminar, para que a pessoa que ligou ouça o começo da resposta enquanto o restante ainda é gerado. 
6. O ciclo se repete: Cada novo turno mantém o tom, o contexto e o histórico da conversa.

Ao longo desse processo rápido, a conversa parece natural. Quem ligou deixa de se adaptar à máquina: não fala mais devagar, não articula demais nem espera por um sinal sonoro. A pessoa simplesmente fala, como falaria com alguém.

Implemente agentes de voz naturais em toda a sua empresa

Tudo o que descrevemos aqui já está em produção, não é apenas um plano. Da arquitetura em cascata ao pipeline de menos de um segundo, empresas do mundo todo já usam o ElevenAgents para atender conversas reais com clientes em escala.

Isso inclui ambientes regulados e de alto risco, porque nossa arquitetura de agentes oferece proteções, registros de auditoria e controles de conformidade. A ElevenLabs tem certificações SOC 2 Tipo II, ISO 27001, HIPAA e PCI DSS Nível 1, além do Zero Retention Mode e residência regional de dados para equipes que precisam manter os dados dentro de uma região específica.

Pronto para colocar um agente para trabalhar? Você pode criar um agente e começar a desenvolver no console ou falar com nossa equipe de vendas sobre uma implementação adequada ao seu ambiente.

Perguntas frequentes sobre modelos de interação