Resumo do Webinar: Como Criar Agentes de IA com Voz Natural

A maioria das equipes quer criar um agente que soe natural.

A lacuna que a maioria das equipes encontra está nos agentes que concluem a tarefa, mas não entendem contexto, urgência ou emoção. E, quando quem liga percebe isso, a confiança cai — e a qualidade da interação também.

No nosso recente Workshop ao vivo: como criar agentes de IA que soam naturais, Luigi Sambuy (engenharia de implementação) mostrou o que diferencia um agente com som robótico de um que parece realmente humano.

Por que soar natural é mais difícil do que parece

A maioria das equipes que implementa agentes já resolveu a questão da precisão: o agente dá a resposta certa, reserva a mesa certa, cancela o voo certo. 

O mais difícil é acertar a forma de falar.

Um agente que não acompanha a emoção de quem liga, não percebe a urgência e responde a todas as perguntas no mesmo ritmo monótono sempre parecerá artificial, por mais corretas que sejam suas respostas. Os clientes não querem apenas que o problema seja resolvido — eles querem se sentir ouvidos enquanto isso acontece.

As quatro características de um agente que soa natural

1. Ritmo e fluidez - cadência, pausas e variações de velocidade naturais, em vez de uma fala monótona
2. Espelhamento - responder com preocupação a quem liga frustrado e com simpatia a boas notícias
3. Contexto - usar o histórico do usuário, sistemas da empresa e referências culturais ou regionais para que as respostas não sejam genéricas
4. Identidade - uma voz realmente criada para a marca, e não uma opção padrão pronta para uso

Demonstração: um agente que soa natural em ação

Cenário: Um cliente liga para o restaurante Rosette para remarcar sua reserva. É o quinto aniversário de casamento, e ele está atrasado.

O que é mostrado:

• O agente iniciou a conversa de forma acolhedora, reconhecendo o aniversário antes de qualquer outra coisa
• Percebeu uma pequena divergência entre o horário da reserva informado e o que realmente estava registrado, e pediu esclarecimentos em vez de adivinhar
• Remarcou a reserva para as 21h e ofereceu proativamente uma mesa perto da janela para a ocasião, sem que isso fosse solicitado
• Durante toda a ligação, o agente usou pausas naturais, palavras de preenchimento e um tom que se ajustava ao momento — tranquilizador, acolhedor, sem pressa

Por que isso importa: Nada disso veio de um modelo diferente ou de uma plataforma mais avançada. Veio do prompt. O prompt do sistema deu ao agente permissão para se corrigir no meio da frase, hesitar naturalmente enquanto "procura alguma informação" e ajustar seu tom emocional ao de quem liga — as mesmas técnicas disponíveis hoje para qualquer equipe que desenvolve na plataforma.

Sete recursos para criar agentes naturais

1. Tags emocionais - disponíveis no modo expressivo do modelo conversacional v3; o principal recurso para variar o tom
2. Ruído de fundo - ambiente de escritório, sons urbanos ou ruído de digitação para criar um contexto mais familiar e humano
3. Tom no prompt do sistema - é aqui que está, de fato, a maior parte da diferença
4. Configurações de proatividade (proativo / normal / paciente) - ajustadas ao tempo de que a interação precisa
5. Dicionário de pronúncia / palavras-chave - para nomes, marcas e palavras estrangeiras que o agente poderia pronunciar errado. 
6. Configurações de saída - algumas equipes adicionam deliberadamente telefones tocando ao fundo em vez de um áudio impecável, pois clientes que migram de uma central de atendimento tradicional estão acostumados com esse tom levemente abafado
7. Criação de voz ou clonagem - criar uma voz totalmente personalizada e alinhada à marca, em vez de escolher uma opção pronta para uso. A criação de voz permite usar um prompt para pedir algo específico, como "um homem na faixa dos 30 anos que parece estar falando por um headset". Clonar Voz com IA vai de uma clonagem instantânea (cerca de 30 segundos de áudio) a uma clonagem profissional (mais material, maior fidelidade). 

Boas práticas para agentes que soam naturais

Escreva o tom diretamente no prompt do sistema. É aqui que está, de fato, a maior parte da diferença entre um agente sem expressão e um natural. Dê ao agente permissão explícita para se corrigir no meio da frase ("do jeito que as pessoas realmente falam"), hesitar naturalmente enquanto procura alguma informação e deixar o silêncio acontecer após algo sério antes de responder.

Associe as tags emocionais ao momento. Uma tag "excited" não é adequada para um momento sério ou de risco. Posicione as tags de forma intencional nos pontos em que elas realmente ocorrerão na conversa e adapte-as ao estado emocional de quem liga à medida que a chamada avança (por exemplo, calma e tranquilizadora para alguém ansioso, em vez de rápida, mas acolhedora, para alguém com pressa).

Defina a proatividade de forma intencional. O modo proativo funciona em trocas rápidas e com muitas informações; o paciente funciona quando alguém precisa de tempo para encontrar um documento ou número. Usar o modo proativo como padrão em todos os casos pode fazer um agente parecer insistente, em vez de natural.

Escolha o LLM para cada nó. Use modelos mais leves e rápidos para etapas simples de roteamento e modelos mais capazes para nós que tomam decisões de fato. 

Trate a latência percebida como parte do que é "natural". Além da escolha do modelo, tanto a geração especulativa de turnos (que permite ao modelo começar a formular uma resposta enquanto quem liga ainda está falando) quanto palavras de preenchimento em timeouts flexíveis reduzem a sensação de duração de uma pausa, mesmo quando o tempo de resposta real não mudou.

Localize em vez de apenas traduzir. Escolha vozes realmente treinadas no idioma de destino, use um dicionário de pronúncia e, para casos de uso em um único idioma, considere escrever o próprio prompt nesse idioma para melhorar o desempenho. O Multilingual v2 continua sendo uma opção sólida quando baixa latência entre idiomas importa mais do que alcance expressivo.

Monitore seu agente. Use testes de simulação para validar um agente sem chamadas reais, critérios de avaliação para pontuação de aprovação/reprovação após as chamadas e análise de sentimento a cada turno para identificar exatamente onde, em uma conversa, o agente usou o tom errado — depois, use esse sinal para ajustar o prompt.

Assista à sessão completa

Assista ao webinar completo aqui.